如今,辅助驾驶和自动驾驶系统相关的技术正在蓬勃发展。红外成像因为其对环境、天气、光照等因素的高鲁棒性,在驾驶场景这种复杂环境中具有巨大的应用潜力。但是,红外图像作为灰度图像缺乏颜色信息,且分辨率及对比度较差;而人类视觉系统对颜色的分辨能力远高于灰度。因此,如果将颜色及纹理信息赋予红外图像,将会提升人基于红外图像的场景感知和理解。同时,目前大部分计算机视觉领域针对道路场景的研究都是基于可见光图像,将红外图像转换为可见光图像之后,就可以直接使用现有的预训练好的网络做后续的分割、检测等任务。生成对抗网络（GAN）自提出至今在几年时间内取得了迅速发展。GAN从认知、学习机制出发,借鉴了人的博弈、竞争过程,利用判别器和生成器二者间的竞争对抗来逐渐提高网络的生成能力,从而生成尽可能真实的结果。图像转换是GAN领域的一个重要问题,红外图像的可见光化本质上也是图像转换,即保持图像的结构和内容不变,为图像赋予真实合理的可见光图像所具有的颜色、纹理信息。本文受生物视觉认知机制的启发,在GAN的基础上分别从两个方向改进,提出了格式塔视知觉理论启发的红外图像可见光化算法以及视觉信息分级处理启发的红外图像可见光化算法。本文的具体工作如下:（1）格式塔视知觉理论启发的红外图像可见光化算法。本算法受格式塔视知觉理论启发,利用Non-local注意机制建立图像间的全局关联,实现“先整体后局部”的视觉感知过程,从而将同场景的可见光图像的颜色信息转移到红外图像的对应区域。从与人类视觉系统感知特征高度一致的深度网络中间特征出发,采用上下文损失、感知损失、对比损失对生成图像的结构、语义、风格进行约束,实现了图像的单向转换。（2）视觉信息分级处理启发的红外图像可见光化算法。本算法受视觉系统的信息分离处理模式启发,采用级联结构对红外图像可见光化需要处理的形状、颜色信息进行分离处理,将红外图像可见光化分解为红外图像到灰度图像的转换和灰度图像的彩色化两个步骤。其中,红外图像到灰度图像的转换负责处理非配对图像转换的空间不对应,灰度图像的彩色化则负责生成颜色信息。实验结果表明,本文提出的上述两种视觉认知机制启发的算法在主观评价和客观指标上均实现了比以往方法更好的可见光化效果。