随着民航业的发展,基于视频监控技术的机场场面监控成为保障机场高效安全运转的必要手段。相比于可视监控,红外监控的优势在于不受环境影响,在缺少光照的条件下也能够正常工作。但是,受限于成本和技术等原因,通过红外成像设备获得的红外图像较少难以满足基于红外图像的智能视频监控技术的需求,如红外目标跟踪等方法的研究。因此,研究红外图像生成方法以扩充红外图像数据对红外视频监控技术的发展具有重要的实际意义。本文以扩充红外图像数据为目的,搭建基于深度学习的图像生成模型将可见光数据转换成红外数据,并将生成的红外图像数据应用到目标跟踪方法中进行验证。本文的主要研究内容如下:首先,本文提出了一种增强型的目标函数。为了使生成的红外图像中物体的轮廓更加清晰,将能够体现物体形状特征的表观属性作为边缘损失融入到图像生成模型的目标函数中,衡量生成的红外图像和真实红外图像之间在形状结构上的距离。为了使生成的红外图像宏观上更逼近真实的红外图像,在目标函数中融入了图像强度损失。对比基于不同目标函数的生成模型的红外图像质量,增强型的目标函数有效地提高了红外图像的质量。其次,本文提出了一种稀疏的生成网络结构用于实现红外图像的生成。图像生成任务中,将图像的下采样时提取到的信息融入到图像生成过程中能够提升生成图像精度。考虑到红外图像缺少颜色信息、纹理模糊等特性,在搭建生成网络时以一种稀疏的方式融合下采样信息,使得模型更加精简,训练时间更少但生成图像质量更高。并对不同特征融合方式对生成效果的影响进行了研究。最后,为了验证本文提出的红外图像生成方法的有效性,将生成的红外数据应用到基于孪生网络的目标跟踪方法中。实验表明,基于扩充后的红外数据集训练的跟踪器性能更优。