随着机器视觉的发展,针对红外图像目标检测与识别技术的需求也在不断增长。红外面阵扫描系统具有探测能力强、扫描效率高等特点,基于该类设备的算法研究成为了红外机器视觉领域的研究热点之一。通常情况下,红外面阵扫描设备为方便人员监控与算法处理,首先需要在水平方向上拼接输出图像,但在工作过程中受转速不稳、平台震动的影响,难以生成稳定的全景图像;其次面阵扫描输出速率高,数据量大,对算法运行速度有较高要求;此外受红外成像特点与制造工艺限制,设备所采集图像具有细节较少、信噪比低、灰度不均匀等缺陷,对检测识别算法设计提出了更大的挑战。本文针对基于红外面阵扫描设备的快速目标检测与识别技术,在图像拼接、运动目标检测、目标识别这三个方面进行了研究,主要内容有:1.对红外面阵图像简单拼接生成的全景图进行了分析,针对面阵扫描图像存在暗角以及不规则偏移的问题,提出了一套结合图像配准与图像融合的解决方案。首先分析了现有基于灰度域、变换域、特征的图像配准算法,最终选用相位相关法进行配准,并在其基础上加入了边缘检测的步骤,有效减少了灰度分布不均匀对相位相关法的影响。然后对图像融合算法进行了研究,选取了渐入渐出法实现图像融合,有效消除了因灰度分布不均匀产生的拼接缝。实验表明所提拼接算法使用归一化互相关度作为评价标准时,相比其它算法准确度更高,且处理速度达到了3.3ms/帧。2.针对现有运动目标检测算法缺乏普适性,复杂场景中目标召回率低的缺点,提出了一种基于直方图统计的目标检测算法。通过对帧间差分法与背景建模法等常用目标检测算法进行分析,发现现有算法解决问题的范围较为单一:如高斯背景建模提取简单背景内的运动目标有良好的效果,但复杂背景下效果不佳,而KDE（Kernel density estimation,核密度估计法）则与之相反。因此本文设计了一种可根据背景类型选取不同策略的算法。首先为各像素建立直方图,并通过直方图众数生成稳定的背景;接着通过三帧差分得到图像的噪声方差,并根据噪声方差与直方图将背景分为简单背景与复杂背景;最后根据背景类型分别使用单高斯模型与改进的两级阈值KDE提取出完整的前景,保证了复杂场景下所提取目标的完整性。实验表明所提算法拥有最高的F值0.782（F值为准确率与召回率的综合指标）,同时处理速度达到了2.9ms/帧。3.针对现有利用CPU进行推理的深度学习识别网络,在识别红外目标时效率过低的问题,设计了一种轻量型神经网络。该网络在现有识别网络的结构和设计技巧的基础上,结合红外目标缺少纹理、深层语义较少的特点,一方面缩小输入尺寸与卷积核尺寸,另一方面减小网络的深度和宽度,在不损失识别精度的同时极大提高了识别速度。实验表明所提算法平均识别准确率为96%,处理速度为1.2ms/帧。