自红外热像仪面世以来,在传热研究、设备红外检测、红外遥感、军事目标红外测量等领域得到广泛应用,由此衍生出了一系列的红外测温方法。然而,在实际红外测温过程中,被测物体往往不满足黑体辐射特性。因此,这些红外测温方法的精度难以满足实际需求。针对这一问题,本文基于特征选择和深度学习,提出了一种新的红外测温方法,具体内容如下:首先,在红外辐射测温基本理论的基础上,介绍了红外测温方法。在红外辐射测温理论基础上,分析红外辐射测温过程中影响温度检测精度的因素,通过随机森林特征算法对影响测温的因素进行目标特征选择。在此基础上,通过控制变量进行分组实验,分析选取的目标特征对红外测温精度的影响,基于选取的目标特征和对应的温度数据构建红外测温数据集。其次,构建一维卷积神经网络模型,并且用于红外测温之中。通过残差对网络模型优化,解决了模型梯度消失问题。为进一步提高网络训练速度,把批量归一化数据处理方式引入构建的深度学习模型中,并优化结构参数,解决网络模型训练慢的问题。通过红外测温数据集训练深度学习模型,为下一步的红外测温实验奠定基础。最后,应用本文提出的红外测温方法分别对黑体炉和铝合金板进行测温实验,将得到的测温结果与BP神经网络、最小二乘法、径向基神经网络方法得到的结果进行对比分析,验证了本文提出红外测温方法的有效性和可行性。