红外成像技术通过接收来自目标和背景的红外辐射进行成像,具有穿透力强、探测距离远、全天候检测等特点。红外成像技术的发展弥补了可见光成像的不足,已被广泛地应用于遥感、夜视、热成像和高光谱成像等领域。而随着红外成像技术应用领域的扩展,单一波段红外成像所提供的信息量已不能满足日益增长的目标检测能力的需求。如何在现有的红外成像的硬件和软件技术基础上提高红外图像的质量成为了研究的焦点。因此,多波段红外图像融合成为了红外成像技术发展的新趋势。融合后的红外图像增强了对目标和场景的理解,提高了目标检测的精度。目前,多波段红外图像的融合算法大多需要与成像光学系统的设计密切结合,并使用特征点检测的方法进行配准。这种方法限制了红外成像仪的使用场景,且在不同波段图像差异较大、图像质量不佳的情况下不能取得较好的配准和融合结果。正是基于此,本文以短波和长波红外图像的融合为核心,重点研究了配准算法和融合图像的目标检测技术。本文首先对红外图像的基本特征、图像配准融合的基本技术和目标检测模型的基本原理进行了简要概述。进而针对不同波段目标边缘位置不准确所导致的特征点偏差问题,提出了一种整体评价待融合图像之间像素灰度分布相似性的配准算法。同时,在基于深度神经网络的目标检测中,本文使用目标检测模型进一步测试了融合图像的质量。本文工作的创新性内容及贡献主要如下:1)分析并建立了空间中不同位置相机拍摄共面点时的投影变换模型。基于此模型,提出了搜索投影点配准结合相关系数评价的配准算法,并根据实际应用场合提出了几种算法约束以提高计算性能。通过遗传算法搜索最佳投影点代替特征点匹配的方式完成了图像的配准,避免了图像质量不佳带来的干扰。通过计算配准区域中图像的相关系数,避免了因不同波段目标边缘不准确所导致的特征点偏差问题。同时,提出的附加约束条件大大提高了算法的性能。实验结果表明所提出的算法相较于传统特征点配准算法在多种场景下具有更好更稳定的表现,该算法可以直接扩展应用于多相机的场合。2)使用深度神经网络模型处理融合图像,验证了本文提出的配准算法可以有效提高融合图像目标检测的性能。首先,采集了大量的两个波段的红外图像并生成融合图像,以此制作了单波段图像及融合图像数据集。然后,使用优化的特征提取分类和区域生成网络在制作的数据集上训练目标检测模型。最后,在不同模型上交叉测试不同的数据集。验证了融合图像所训练的模型在各个数据集上均达到了最高的平均精度和交并比,确实提升了单一波段图像的目标检测能力。