红外成像系统凭借其自身的优点被广泛应用于军事和民用领域,尤其自新冠疫情爆发以来,红外热成像系统更是被广泛地应用于对通行人员体温的实时检测等。然而,由于红外成像系统中焦平面阵列存在非均匀性,严重影响了系统成像质量和系统性能。引起红外焦平面阵列非均匀性的主要原因是由于制作工艺水平受限导致探测单元响应不一致。为了弥补因为工艺水平受限等原因导致的成像质量差的问题,学者研究了红外焦平面非均匀性校正算法,提升图像质量。目前的非均匀性校正算法主要基于红外探测单元的线性和非线性响应模型,本文基于探测单元的线性响应模型,对基于神经网络的非均匀性校正算法进行了理论分析和仿真实验,分析该类算法存在的边缘模糊、收敛速度慢及期望图估计不准确问题。针对收敛速度慢的问题,通过空域边缘检测及时域目标的运动判断来改进自适应学习率,加快算法的收敛速度。其次,针对“鬼影”及边缘模糊的问题,本文研究了一种时空域结合的滤波方法估计期望图像,该方法通过空域边缘保持滤波获取图像细节信息,对细节信息进行时域加权求和估计出固定图案噪声,从而得到更加准确的期望图;并利用期望图与前述的自适应学习率提升了基于神经网络的非均匀性校正算法的性能,很大程度上抑制了“鬼影”的出现,同时避免了边缘细节的模糊。针对现有非均匀性校正算法存在无法兼顾固定图案噪声校正和边缘细节信息保护的问题,不能够准确的评价算法的性能。本文研究了一种对校正图像进行分区域的评价方法,在图像中自适应选取局部均匀区域和图像边缘细节区域,对均匀区域采取粗糙度等参数评价固定图案噪声校正效果,边缘区域采取边缘保持评价指数等参数评价算法的边缘保持能力。通过结合边缘区域的保边性能和均匀区域的固定图案噪声校正性能,构造函数综合评价算法的非均匀性校正性能,该方法有效地避免了现有评价方法不能兼顾同时评估固定图案噪声与边缘保持而导致的误差,从而使得客观评价结果更加准确。