红外辐射是频段位于可见光和太赫兹微波之间的一类电磁波,温度处于绝对零度以上的物体,都会产生具有一定强度的红外辐射。基于红外探测基本原理,红外成像能够完成全天时探测任务,因此红外探测在很多领域得到了广泛的研究与大规模的应用。由于红外光学镜头、焦平面阵列响应特性与制备工艺、模数信号处理电路等多方因素影响,得到的红外图像难以达到理想效果,存在非均匀性噪声大、信噪比低、边缘细节模糊等问题。随着基于大数据驱动的人工智能技术发展,基于深度学习的和我图像质量提升技术逐渐成为研究热点。本文重点针对红外图像固定条纹非均匀性校正与红外图像超分辨率重建技术进行了研究,主要完成工作如下。（1）针对传统基于单帧场景的固定条纹非均匀性校正方法噪声残留多、图像细节丢失、处理前后的图像对比度发生变化等问题,本文研究并实现了基于多尺度Swin Transformer Layer迭代单元机制的红外条纹非均匀性校正方法。通过对红外图像条纹非均匀性噪声的产生机理及噪声数学模型的分析,选择了合适的噪声模型。为加强网络模型对不同尺度图像真实纹理特征挖掘的能力,设计了基于Swin Transformer Layer（STL）的残差模块,将STL网络模块融入同不尺度特征提取层中,并用简单迭代单元（SRU）机制进行改进,联合条纹非均匀性噪声模型与高斯噪声模型,对比了多种基于单帧场景的非均匀性校正算法,使用多种无参考图像质量评价方法对校正图像进行不同角度的评价,实验结果表明,本文所实现的方法在条纹非均匀性校正与去噪方面表现良好,且能够更好地保留图像细节及图像原有对比度。（2）针对大气散射、成像相对运动等原因导致图像退化方式复杂且具有随机性引起红外图像分辨率低、纹理细节丢失的问题,本文研究并实现了一种用于红外图像超分辨率的图像盲退化模型。通过分析目标场景信息进入红外探测器过程中存在的实际退化过程,对该过程所存在的随机性进行分析建模,在模糊退化方式、噪声退化方式、下采样退化方式中分别选取或自定义了多种具体退化方式,并对这些退化方式进行随机采样并排序,极大幅度拓展了退化空间。通过使用公开红外高分数据集与自建高分红外数据集,联合所提退化模型,生成了具有不同退化模式的高分辨率-低分辨率（High Resolution-Low Resolution,HR-LR）配对数据集,选取现有比较经典的超分辨率重建网络进行训练。首先使用基于有参考指标进行多组场景不同退化方式下的对比实验,然后使用无参考指标进行多组场景下的对比实验,实验结果表明,本文方法不仅能够抑制不同程度噪声,而且在原始场景空间结构、高频信息、图像对比度信息的恢复上均具有更好性能。（3）为验证本文所提方法对红外相机采集数据实行在线处理的有效性,本文设计并实现了红外图像质量提升软件。利用红外相机与信息处理板搭建了红外成像处理系统,然后对整体软件架构做了模块部署,分块实现了各个模块中每个功能,最终在相比台式计算机具有体积小、功耗低优点的信息处理板上完成了软件主要功能的测试,证明了本文所提算法的可行性与有效性。