近年来,主动成像系统得到了不断发展,作为侦察系统的识别辅助手段被广泛应用于国防和安全领域。与被动成像系统相比,主动成像系统使用自带光源照射目标区域,接收反射信号成像,这些系统具有一些独特的技术和使用优势,比如探测距离远、高分辨率成像等,使其成为现有红外成像技术最具潜力的替代品,或者至少是补充部件。激光因其具有高亮度、单色性、高准直性等特点,而常被选作为主动成像系统的光源。主动成像系统的实现方法有很多,其中一个成熟的方式是结合红外成像技术来实现:首先第一步使用红外相机进行宽视场初步的搜索和检测;然后在此基础上使用激光照明可疑区域,相机接收回波信号成相对高清像进行进一步窄视场的精确检测和识别。针对此过程中获取的图像设计相应的检测算法,是使系统达预期效果的重要步骤。为此,本文在调研国内外研究现状的基础上,充分了解红外图像和激光主动照明图像的成像特性,根据不同阶段的需求,有针对性地在红外宽视场检索、激光主动照明窄视场检测以及特定目标关键部位检测三方面开展研究,实现相应的检测算法。本文主要工作可以概况如下:1、针对宽视场检索过程,提出了联合图像超分辨的红外图像目标检测算法。相比于可见光图像,红外图像只能成低分辨率、单通道灰度图像,这给目标检测带来了困难。针对此问题,本文在YOLOv3检测模型的基础上,添加了图像超分辨的辅助分支,构建多任务深度学习模型。此外,任务之间的权重通过学习来达到自适应调整的效果,相比手动设计提高效率的同时模型性能也得到一定提升。将所设计的模型在数据集上进行验证,实验结果表明,超分辨辅助任务分支的添加有助于模型检测性能的提升。2、针对激光主动照明图像,实现了一种准确、实时目标检测识别算法。鉴于在激光主动照明目标的过程中,激光的相干性会引入散斑噪声,大气湍流、承载平台的震动等会使图像模糊,降低成像质量,这使大多基于梯度、颜色和纹理特征的传统目标检测算法性能降低甚至失效。为了解决这一问题,本文引入当下流行的深度卷积神经网络算法作为基础框架来实现目标检测识别。同时,为了解决深度学习框架需要大量标注数据而收集激光主动照明图像费时费力这一矛盾,文章通过仿真激光主动照明成像过程,构建了不同背景下的特定目标的仿真数据集。将算法在仿真数据集上进行训练,之后在真实数据集上测试,验证了从仿真数据集中学到的知识的可迁移性,从而完成了深度学习在激光主动照明成像领域的迁移应用,在YOLOv5s算法框架下实现了无人机53.4%AP、104.1 FPS的检测性能。3、设计轻量化模型实现特定目标关键部位的检测识别。在检测到特定目标后,进一步对目标关键部位的检测是实现系统最终干扰致盲效果的重要环节。关键部位检测相比于常规目标检测来说,任务单一且相对容易,无需大型高性能目标检测模型。针对这一场景需求,本文从模型轻量化的角度改进YOLOv5,一方面,使用Shuffle模块代替原始模型的主干部分;另一方面,对模型的检测尺度进行裁剪,从原始三个检测尺度裁剪为两个。将设计的模型在之前获取的目标图像上进行验证,结果表明算法在自建数据集上保持99.5%AP的情况下,检测速度能够达到153.84 FPS;级联无人机及其关键部位的检测,比同时检测方式总体准确率提高4.8%,并且检测速度仍能达到62.5 FPS,满足系统实时性需求。