高精细的红外场景仿真技术依赖于高质量的红外纹理,需要大量不同时间条件下的红外纹理数据。由于实拍纹理数据的有限性,因此需要研究红外图像时段拓展技术,以获取高真实感的红外纹理。红外图像时段拓展能够解决实拍图像耗时耗力的问题。另外,实拍的红外图像能呈现景物的当前时刻温度与能量分布。因此,本文以实拍红外图像为基础,研究生成不同时段的高真实感红外纹理图像。本文在分析当前红外图像仿真的发展现状的基础上,将人工神经网络引入了到红外图像的时段拓展,本文的主要研究内容为:(1)对深度学习方法在红外图像时段拓展领域的应用进行了探索性研究。通过使用当下成熟的深度学习算法,并且调整到最优化的参数,对某时刻的红外图像进行了时段拓展工作,生成了另一时段的红外图像。同时进行了时段逆拓展工作,对逆拓展结果中生成质量较差的图像进行了优化。(2)对太阳照射方向不同造成的景物表面温度不同做了研究。使用了上午与下午两个表现较明显的时段进行网络训练,初步完成了背阴与向阳两种状态下的转换,同时对阴影的变化趋势做了预测。(3)对深度学习生成的时段拓展图像进行了优化和拓展。本文基于温度与灰度在一定范围内呈现线性关系的原理,对深度学习生成的红外图像使用灰度变换拓展成其他时段的图像。