天基红外卫星在对地遥感观测及导弹预警方面具有重要作用,是国防建设的重要组成部分。天基红外卫星利用其星载的红外对地探测器探测导弹或飞行器在飞行过程中产生的高强度红外辐射,实现对全球范围内实时的预警监测。然而在天基红外卫星的红外探测器成像波段内存在大量具有高辐射特性的目标,对导弹预警系统的正常工作造成干扰甚至误报,称为虚警源。典型的虚警源包括雪山、结冰湖泊以及高空卷云等。为避免虚警源造成的干扰以提高对真正目标的检测效率,需要提前检测并排除虚警源。深度学习作为近年来图像处理领域最有效的一类方法,能够比传统人工设计提取更多更全面的特征,有利于提升虚警源检测算法的整体精度。对地红外探测由于其数据来源的稀缺性,其数据样本具有弱样本条件,表现为图像质量较差且样本数量相对于传统深度学习应用场景过少。围绕基于深度学习的虚警源检测算法,核心问题包括图像预处理、虚警源候选区域检测以及虚警源分类识别等,针对这些问题本文开展了理论分析、方法研究与仿真验证等工作。本文的主要研究内容如下:(1)研究了深度卷积网络的相关理论与结构基础,包括深度学习的机器学习算法基础,卷积神经网络的卷积层、池化层和激活函数等基础结构,以及深度学习的训练优化方法;(2)针对天基红外卫星图像的低质问题,研究并提出了天基红外卫星图像预处理方法,包括基于双边滤波与自适应中值滤波的图像去噪与基于同态滤波的图像对比度增强;(3)针对典型虚警源的准确定位问题,研究了经典的基于类间方差的自适应阈值分割算法,在此基础上提出了基于类内方差的改进Otsu阈值分割,并结合形态学滤波形成了虚警源候选区域检测算法;(4)针对典型虚警源的分类识别问题,结合天基红外卫星数据的稀缺性,研究了基于距离度量元学习的分类识别算法,并提出了基于可分离卷积的特征提取网络,实现在样本数量极少的情况下对典型虚警源的准确分类识别。本文所提出方法已通过仿真及实测数据验证,结果表明可以实现对虚警源的有效检测。