红外成像捕捉的是物体本身由于温度向外辐射的热量,红外图像近年来成为图像处理和深度学习的研究热点。与可见光相比,红外线依靠自身能量成像,因此穿透力更强,星夜下的可视化能力强,可以在复杂的作战环境下得到目标的图像。目前可见光图像的自动识别与分类应用较广,发展较为成熟,例如产品自动分类器、安防监控,遥感场景分类。而红外图像因不受天气、光源影响,广泛应用于军事研究,但因为涉及到国防信息和国家安全,关于红外图像研究的文章并不多见,其中关于红外目标分类的文章更是屈指可数。红外成像仪的工作条件不受光源影响,成像也不会受到复杂环境的干扰。但是红外成像难以捕捉到目标的细节信息,成像质量较为模糊,分辨率和信噪比都较低,因此在研究红外目标分类时会出现细节特征不明显、边缘模糊、分类错误等难点。本文结合实际红外成像特点和深度学习背景从图像处理、分类模型算法优化、模型泛化能力提升等方面进行了研究,主要研究内容和创新点如下:(1)研究和分析了传统红外图像的特点,在此基础上构建了RGB彩色红外数据库,利用红外成像仪拍摄的图像具有更多丰富的细节信息和颜色信息,并直观表示出了红外传感器的工作原理。(2)通过对红外成像仪拍摄的图像的分析,研究了几种用于红外图像处理的去噪算法,并对BM3D去噪算法进行改进,利用小波变换结合R、G、B分量表达的方式很好地滤除了图像中的噪声点,达到了深度去噪的目的。为提高红外图像质量提供了一种新的去噪算法。(3)提出了适用于三通道红外图像的目标分类算法。本文分析了深度学习的发展历史,以及几种现有的基于深度学习的目标分类算法以及它们的优缺点,对现有的基于YOLO-V3的目标分类算法进行改进,增加了YOLO-V3的多尺度融合检测层,提高了模型对小目标、模糊目标以及遮挡目标的分类性能。(4)在现有采集图像的基础上,为了扩充数据集,并增加红外图像之间的差异性,采用将三通道红外图像与单通道红外图像随机打乱并进行重新实验的方式来提高模型的泛化能力,训练后的结果显示了增加数据集的有效性。