红外成像系统近年来在军事、民用和医疗等领域发展迅速,非制冷型红外探测器因具有低功耗、低成本和高可靠性等优点备受青睐。但非制冷型红外探测器存在的非均匀性严重影响成像质量,因此对红外图像的非均匀性校正成为红外成像领域研究关键问题之一。基于场景的非均匀性校正算法可以有效解决基于定标校准方法无法连续工作的问题,但是现有的基于场景的非均匀性校正方法,还存在校正后图像存在伪影、边缘模糊和细节信息丢失等问题,因此,针对以上问题本文开展基于场景的非均匀性校正研究,主要研究基于改进卷积神经网络的非均匀性校正模型及其精简优化。首先,针对现有的基于神经网络的红外图像非均匀性校正方法存在图像细节丢失和边缘模糊等问题,提出一种基于改进卷积神经网络的非均匀性校正模型。模型利用快捷连接的方式形成多个残差块,并通过长连接对网络进行补偿,使得网络充分地对红外图像中的非均匀性特征进行学习,实现有效地非均匀性校正,同时对长连接补偿前后的数据按元素相乘,有效地保护图像边缘信息。实验结果表明,与现有的模型相比,本文提出的模型有效地降低了红外图像的非均匀性,且在图像细节保留及边缘保护中取得了优秀的效果,有效提高校正性能,峰值信噪比平均达到37.5128 d B,结构相似度平均达到0.9808。其次,由于卷积神经网络的大参数量和计算量对硬件平台的性能要求较高,而且增加了网络模型的运算时间。为此,本文在所提出的基于改进卷积神经网络的非均匀性校正模型基础上,提出了一种基于正则项的剪枝方法,实现网络模型的精简优化,通过对网络中的参数进行评价,对模型中的卷积层和批归一化层进行剪枝,在保证校正效果的前提下,实现模型的压缩与加速,最终得到一个精简高效的非均匀性校正优化模型。实验结果表明,在剪枝率为50%的情况下,模型参数量压缩12.18%,计算量减少了26.56%,计算用时减少了15.28%,校正后的图像峰值信噪比平均仍能达到36.7280 d B,结构相似度平均仍能达到0.9895。最后,为了将提出的非均匀性校正模型服务于红外图像非均匀性校正工程应用,本文设计并实现了非均匀性校正模型可视化系统,使用Docker技术实现了模型的快速部署,通过Flask框架在后端调用本文提出的红外非均匀性校正模型,可以方便地实现红外图像及视频校正,并将校正结果通过Web端展示。