红外图像的自动目标识别(AutomaticTargetRecognition，ATR)技术是军事、工业机器视觉等领域的关键技术之一。这项技术受到了广泛关注并取得了许多新的进展，涌现出很多新理论、新方法。但由于该领域的复杂性和特殊性，使得多数传统的自动目标识别方法无法取得令人满意的效果。多尺度几何分析是近几年来国际上兴起的“第二代小波”研究浪潮，由于它具有多方向选择性和各向异性，是获得图像稀疏表示的必要条件，具有这两种特性的变换能更有效地表示图像的边缘和纹理等几何特征，符合视觉系统的特性。有研究表明，即使是相当低级的哺乳动物，对于视频景象的辨别能力也远远优于任何一种ATR技术。因此，融合多尺度几何分析的多分辨性、多方向性和各向异性的红外图像ATR技术，可望为红外自动目标识别技术的发展提供有益的新思路，对红外图像ATR技术研究的深入发展有重要的理论意义和实用价值。 红外图像反映的是场景中目标和背景的红外辐射分布，其信息不像可见光那样直观明确，具有图像信噪比低、边缘模糊、图像的先验知识较少等特点。针对红外图像的特点，本论文的工作主要围绕红外自动目标识别系统中的几个关键技术展开，研究重点为多尺度分析框架下的红外图像去噪、红外图像分割和红外目标的特征提取与分类。 本论文的主要研究内容和创新性工作包括： 1.研究了contourlet变换中不同滤波器的选择对红外图像去噪效果的影响，总结了在噪声水平不同时选择滤波器的大致规律。提出了一种基于contourlet域改进的HMT模型(C_HMTModel)，该模型节点的状态不只依赖于其父节点的状态，而且兼顾到其父节点相邻节点的状态，可以进一步捕捉尺度间和子带间的contourlet变换系数更为丰富的相关性。将改进的C_HMT模型用于红外图像去噪，结果表明，此方法能显著去除红外图像的噪声，并获得了较好的视觉效果。 2.提出了一种基于图像全局信息，不需要重新初始化的变分水平集的改进的红外图像分割方法。在分割中，不考虑图像边缘梯度的影响，在很大程度上克服了红外图像边缘模糊时过分割的问题，通过引入内部变形能量约束水平集函数逼近符号距离函数，简化了计算过程，减小了因重新初始化水平集函数带来的误差。在此基础上，在分割模型中增加边界约束项，并根据图像目标区域和背景区域对比度的强弱，调整边界约束和全局约束两项的权重系数，扩大了此方法的适用范围。 3.提出了一种逐层迭代的多尺度水平集红外图像分割算法。该算法利用小波变换将图像分解成多尺度、多方向的子图像，在子图像中进行图像分割，采用插值法将粗尺度上曲线演化结果投影到细尺度上作为初始轮廓线，逐层分割。并根据图像噪声的大小，对曲线演化模型的参数进行调整，克服了图像分割中需要通过实验的方法选择参数的困难。仿真结果表明，该方法不仅分割效果好，而且具有抗噪性强和运算速度快的特点。 4.提出了一种多尺度框架下基于感兴趣区域提取的红外图像多目标分割方法。该方法根据显著性特征提取出包含目标的感兴趣区域，将原图像域分成多个目标子区域和一个背景子区域，在各目标子区域中，采用C-V方法进行曲线演化，然后对子区域进行合成获得最终分割结果。该方法有效的解决了红外图像中的目标与背景灰度接近，以及含有多个不同质目标时的分割问题。 5.提出了一种基于contourlet变换的红外目标特征抽取算法，该算法利用contourlet变换子带系数的统计特性，构造特征矢量。Contourlet变换获得的特征是图像的局部特征，由于图像不同子带特征的分类能力是不相同的，针对各子带数据的离散程度进行加权处理，为分类能力强的特征量赋予较大的权值。该算法充分利用样本的统计信息，简捷、高效并具有一定的鲁棒性。另外，为了获得contourlet域中具有旋转、平移和缩放不变性的特征，构造了一种新的特征描述算子——contourlet傅立叶不变(ContourletFourierInvariant，CFI)特征。该特征结合了Fourier变换和contourlet变换的优点，不但具有不变性，而且具有多分辨性、多方向性等特点，能有效的描述目标的局部特征。 6.研究了红外目标的协同模式识别，提出了一种基于粒子群优化算法的原型模式求解及协同参数优化方法。该方法利用粒子群优化算法的全局优化技术，通过粒子间的相互作用实现高效并行、随机和自适应的群体搜索，获得优化的原型模式向量的解集合和参数集，应用在红外目标的识别中获得了较高的识别率。