凭借被动成像的特性以及能全天时工作的优势,红外成像系统无论是在军事应用中还是民事应用中都逐渐得到越来越广泛的应用。然而由于红外焦平面阵列的制造水平和器件材料等方面的不足,红外焦平面成像具有固定的非均匀性,严重干扰了系统的成像质量。同时由于红外成像的机理,采集到的红外图像存在对比度差,细节不足等缺陷,会对后续的目标检测识别等处理造成很大的影响。因此,目前红外成像图像质量提升技术非常的重要和必要,具有重要的工程应用价值。本文针对红外图像质量提升技术的研究,主要从红外非均匀性校正和红外图像增强两个方面进行了深入的研究并提出了相应的改进算法。基于神经网络的非均匀性校正算法由于可以根据场景变化对增益参数和偏置参数同时进行非均匀性校正,具有较好的自适应性,但该算法存在拖影和图像模糊等问题。所以本文研究了一种基于三边滤波和神经网络的非均匀性校正算法。该算法在分析了传统神经网络算法存在的问题后,从期望图计算和学习速率的更新两个方面进行了改进,首先采用快速三边滤波来替代传统算法中的邻域滤波来获取更为准确的期望图像,然后结合邻域方差和帧间运动量根据不同场景对学习速率进行自适应更新,从而有效地改善拖影和模糊等问题,获得更好的非均匀性校正效果。虽然非均匀性校正可以除去红外图像的固定图案,但并不能解决红外图像对比度低和细节不够清晰的问题。因此,对非均匀性校正后的红外图像进行图像增强是进一步提升红外图像质量的重要内容。本文研究了一种基于分层差分表达和S曲线的图像增强算法。该算法首先采用引导滤波将红外图像分离为细节信息和背景信息,然后针对背景信息进行分层差分表达的处理以提升图像的对比度,增强图像的视觉感知。同时,通过S曲线原理对细节信息进行增强处理,最后将增强后的背景信息与细节信息进行线性融合,实现了在提高图像对比度的同时保存了细节信息,有效地提升红外图像的质量。通过主观评价和客观评价分析表明,本文算法可以有效地校正红外的非均匀性并增强红外图像的视觉效果,实现了提升红外图像质量的目标。