自动目标识别(Automatic Target Recognition,ATR)是红外成像精确制导武器系统的关键技术之一,针对传统红外目标识别算法在复杂环境作战下存在目标特征建模复杂、识别率低等问题,本文研究具有自主学习能力的红外目标识别方法,构建面向复杂环境的红外成像目标识别深度学习基本框架。首先,提出一种融合空间变换网络(Spatial Transformer Networks,STN)的卷积神经网络(Convolutional Neural Network,CNN)红外目标识别方法。结合红外目标特性调整经典ZFNet网络的卷积层和池化层数量以增强特征提取能力;加入STN以提高对数据变换的鲁棒性;对Dropout层的丢弃率变化进行可视化分析并确定选取原则以提高红外目标的分类精度。其次,提出一种基于Alpha-Beta散度惩罚项的CNN红外目标识别方法。简化经典的Vgg-19网络并在卷积层和池化层引入多核变换以提高特征的置信度;在简化后的Vgg-19网络基础上构建出3个模型以提升网络的泛化能力;将调整后的模型M0和构建的模型M1、M2、M3输出神经元利用Alpha-Beta散度进行稀疏惩罚自编码处理以提高红外目标的识别率。再次,提出一种结合单次多框检测器(Single Shot-Multi Box Detector,SSD)的CNN红外目标识别方法。通过可视化经典的SSD网络结构来调整卷积核和池化核的大小以提高网络的训练效率;加入转置卷积网络以增加特征在低层提取的能力;在SSD-Vgg16后扩展出3个特征图融合模块以完成不同特征、不同卷积、不同尺度下多元信息的分类预测和位置回归。最后,提出一种基于层次分析法(Analytic Hierarchy Process,AHP)的CNN红外目标识别性能评估方法。建立以目标识别能力、抗干扰能力、泛化能力为主的三大体系层次结构完成对红外目标CNN模型识别能力的性能评估。实验结果表明:本研究所提出的识别算法和评估方案,相对于传统方法,显著地提高了分类定位精度和评估可信度,能够为红外成像制导目标识别算法设计和性能评估提供参考。