针对人体目标的图像处理技术,是计算机视觉中应用广泛的技术重点,本文针对红外图像输入,开展了相关计算机视觉算法研究,实现了大视场下的人体弱小目标检测神经网络算法,小视场下的人体姿态识别和动作理解神经网络算法,本文主要贡献如下:（1）基于对红外图像人体探测任务实际需求的理解与分析,参考了国内外相关研究现状,设计了一种“目标检测-姿态关键点估计-动作理解”的人工智能算法设计方案。（2）设计了基于深度学习的红外人员探测算法总体方案,并完成了人工智能神经网络算法实现所须的软硬件环境及平台搭建。并且针对任务实际需求制作了相应的训练数据集。针对目标检测算法的实现需求,制作了针对弱小目标的红外人体目标边界框数据集;针对人体关键点估计算法的实现需求,设计了一种灰度化大规模可见光公开数据集的制作思路;针对人体动作理解算法的实现需求,设计了一种“大规模牵引-小规模适应”相结合的迁移学习策略,以上数据集搭建策略克服了红外数据集制作难度大,耗时长,资源稀缺的制作困难等限制。（3）基于目前广泛应用的目标检测算法“Faster-RCNN”做出改进,针对红外弱小人体目标尺度小、细节模糊,特征相对较少的问题,设计了一种跨通道分层次的注意力融合特征提取网络;此外还在提议网络中设计了一种重点样本采样注意力引导策略,提高了神经网络的学习效率。（4）设计了一种联动人体关键点估计神经网络和基于人体关键点骨架的动作理解神经网络模型的人体动作理解神经网络算法。在关键点估计的算法设计方面,本文以一般可见光人体关键点估计算法“Openpose”为模板并做出针对性改进,针对红外人体特征相对较少,分辨率相对模糊的特点,采用并行特征融合结构改进“Openpose”的特征提取方法,而在人体动作理解方面,采用基于骨架关键点序列的动作理解算法ST-GCN实现人体动作理解,克服了红外人体动作理解数据集制作困难,资源稀缺等问题。（5）系统性地设计神经网络训练实验,以算法复杂度、算法精确度、算法鲁棒性三个评估角度,以及横纵两个评估方向,分别将本文设计的算法与其他流行算法进行横向对比,并对自身改进做了纵向消融实验,定量地证明了本文设计算法的优越性和相关改进的合理性。