目标检测与识别作为计算机视觉领域中的基本问题,一直是一个活跃的研究方向。目标检测与识别作为图像理解和计算机视觉的基石,已逐渐成为解决更加复杂或更高级别视觉任务的基础。深度学习为目标检测与识别问题带来了显著的进步,在过去五年中引起了极大的关注和广泛的研究。但是对于目标检测与识别相关研究大多集中在自然场景图像上,在红外图像中的研究与应用并不多见,而红外图像中的目标检测与识别研究在民用领域和军用领域都有着重大的意义。本文针对当前缺乏红外图像数据,以及红外图像目标检测与识别研究成果较少的情况,提出了基于深度学习的小样本红外图像目标检测与识别有关方法。首先在深度卷积生成式对抗网络前增加改进的单尺度Retinex图像增强算法,并在深度卷积生成式对抗网络中引入自注意力模块,使网络模型更易提取到对象的非局部特征信息和关键特征信息,以生成数量足够多、效果良好的、适用于进行红外图像目标检测与识别研究的红外图像数据。然后在基于区域建议的检测模型Faster R-CNN前增加基于卷积神经网络的超分辨率算法,使网络模型更易提取到图片的关键特征信息,并且在Faster R-CNN的主干网络中引入残差学习模块,减少训练中的特征信息损失,调整训练时的超参数,优化训练效果。实验结果表明,本文提出的改进方法比传统目标检测与识别方法在本文所使用红外图像上的表现更好,每种类别的检测精度明显提升,m AP达到了84.63%而且没有以损失过大检测速率为代价。