随着现代红外技术的不断成熟,红外场景仿真技术也逐步发展起来。红外场景仿真技术凭借其高效、可复用、系统风险低的特点,被大量投入到实际应用中。与此同时,对红外场景仿真的真实性也提出了更高的要求。因此如何合理有效的评价红外场景仿真结果,就成为红外场景仿真技术进一步发展的关键问题。但是目前国内对于红外场景仿真评价问题尚未有统一的标准,再加上仿真问题的复杂多样性以及缺乏有效的验证方法和手段,使得仿真评价研究发展较为缓慢。本文在前期传统评价方法研究的基础上,将目前在红外图像处理领域发展前景好、潜力大的深度学习理论引入红外仿真技术的评价问题中,提出基于深度学习的红外仿真图像质量评价方法,着重研究仿真图像与真实红外图像的相似度,对其进行量化评价,为红外仿真评价领域提供新的参考方案。主要的研究内容包括以下方面:（1）对红外场景仿真以及图像评价进行了介绍和分析,针对目前的仿真评价方案进行了阐述。此外,对深度学习中卷积神经网络原理以及网络搭建中使用的相关模型和方法进行了详细介绍和分析,包括度量学习、迁移学习等。（2）对传统图像质量评价方法进行了研究和分析。本文首先根据红外图像的特点,从图像的辐射强度、结构、形状与纹理等典型特征入手,选取了几种成熟的特征提取算法进行图像质量评价研究,并通过实验分析其不足和缺点。随后根据决策树可以处理多特征多属性的特点,综合分析多种传统图像评价方法,实现了一种基于随机森林的综合评价模型,对图像质量进行综合全面的评价。最后通过实验证明了该方法的有效性和可行性。（3）将深度学习技术和图像相似度评价融合,实现了一种基于孪生神经网络的仿真图像相似度评价方案。该模型是以孪生神经网络的变形结构——三元组网络结构为基础,同时为了简化网络结构复杂度以及避免频繁应用人工网络层计算特征距离,借用两通道的网络结构思想,简化了三元组网络结构。除此之外,在特征提取网络中应用了分类效果更好的Res Next-50作为特征提取网络,借用了多尺度信息融合的思想来综合比较图像的相似度。最后通过三组实验对模型的有效性进行了实验和分析,证明了本方法的可靠性和通用性。