惯性稳定平台作为搭载光电载荷的平台,是视觉成像系统的一个重要组成部分,它避免了成像系统在载体运动过程中因各种扰动造成的图像剧烈晃动、模糊降质等现象,提升了光电载荷探测、识别、跟踪的能力。同时,随着人工智能技术的发展以及图像处理对成像质量需求的增加,越来越多的研究将深度学习理论应用到稳像优化中。本文重点研究惯性稳定平台稳像技术与生成对抗网络稳像技术相结合的稳像方法,搭建了惯性稳定平台与生成对抗网络相结合的稳像系统,主要研究内容如下:1、本文研究了惯性稳定平台稳像技术与生成对抗网络稳像技术的结合方法,使用生成对抗网络对惯性稳定平台稳像后的图像进行了优化,针对稳像方法中的（a）姿态解算、（b）扰动补偿、（c）稳像优化三个关键环节设计了相应的算法。在姿态解算和扰动补偿环节,使用扩展卡尔曼滤波的四元数姿态解算方法,得到惯性稳定平台俯仰轴和航向轴的姿态角,并设计可实时参数整定的模糊PID控制器,实现绕俯仰轴和航向轴扰动的补偿;在稳像优化环节,搭建生成器网络对惯性稳定平台采集到的图像进一步稳像,恢复图像因垂直于视轴方向的高频抖动造成的模糊等图像退化现象。2、本文针对稳像系统的稳像机理进行了分析,设计稳像系统硬件结构,通过对比了不同框架结构的特点,选择两轴两框架结构,建立惯性稳定平台的坐标系,得到扰动的补偿条件及惯性稳定平台的数学模型,搭建了两轴惯性稳定平台硬件实物作为实验测试平台。3、针对本文的稳像方法进行了实验测试,实验对比了单一惯性稳定平台稳像效果和生成对抗网络优化后的稳像效果,实验结果表明,惯性稳定平台与生成对抗网络结合后的稳像系统有效解决了垂直于视轴方向的抖动造成的图像模糊及虚影问题,峰值信噪比和结构相似性指数比单一惯性稳定平台稳像方法分别提高了5.975和0.051。