红外成像技术在军事领域具有极大的应用研究价值，长期以来各国都在获取红外图像上投入了大量的精力。通过计算机进行红外图像的仿真工作，具有节省人力、物力、财力等诸多优势。传统计算机仿真生成红外图像的方法，过程繁琐，生成大规模红外图像较为困难。近年来不少研究者将机器学习、深度学习的相关方法与思想引入到红外图像仿真生成中。论文利用深度学习方法，将较容易获取到的可见光图像，转换为相应的红外图像,为后续的红外图像检测识别任务提供数据支持。为了能在较高分辨率的红外成像条件下进行目标的检测识别任务，论文利用深度学习方法，对仿真生成的部分低分辨率红外图像进行超分辨率重建，得到分辨率更高的红外图像，提升红外图像中目标检测识别效果。
　　论文以CycleGAN模型为基本网络结构，进行红外图像的仿真工作。针对红外图像在仿真生成过程中容易出现过拟合，导致生成的部分红外图像中出现图像整体质量差、局部错误映射等问题，提出在生成器网络与判别器网络结构之间，增加抑制器结构，抑制图像在生成过程中的过度变化，减少生成过程的过拟合现象。针对CycleGAN网络中一条路径生成的结果可能和另一条路径重建的结果存在差别的情况，提出在两条训练路径之间增加计算通路损失的损失函数，将一条路径生成器生成的结果与另一个路径循环重建的结果进行比较，减少非相关信息的添加。针对原始CycleGAN网络在进行卷积操作过程中，对图像的细粒度特征关注不够，论文引入注意力模块(CBAM)，加强仿真生成红外图像过程中对细节特征的刻画。
　　在实际工程应用中，由于此前红外成像器获得的红外图像分辨率较低，用该红外图像数据作为训练样本，仿真生成的部分红外图像中也存在分辨率低、图像质量低等问题。为了能在较高分辨率的红外成像条件下进行红外图像目标检测识别任务，论文以SRGAN模型为基本网络，对改进CycleGAN网络仿真生成的红外图像进行超分辨率重建工作，提升红外图像的分辨率。为了更大限度保留图像的底层信息，同时防止网络出现梯度弥散以及梯度爆炸等情况，借鉴DenseNet思想，对原始SRGAN的生成器网络结构改进，使用密集链接方式，增加整个网络对底层信息的感知。针对红外图像中边缘、纹理信息的重要性，提出在SRGAN网络的损失函数中加入计算边缘梯度损失项的损失函数，使生成器能充分学习到红外图像的边缘信息，从而超分重建出几何边缘清晰、突出的红外图像。