利用超分辨率算法获取高分辨红外图像是解决当前我国红外成像器件制造水平低导致成像效果差、成本高昂难以满足需求的一种有效途径。基于多视图像的超分辨率算法以其更好的成像性能成为研究热点,其中又以深度学习超分辨算法最受关注。然而,现有深度学习超分辨率算法训练时用的样本对对应的并非真实的红外图像降质过程,且忽略了高-低分辨率图像的相互配准问题,使得其在实际应用中效果不理想。针对这一问题,本文提出了一种基于自监督重投影的深度估计网络训练方法。在已知多相机间位姿关系的前提下,利用基于立体匹配的深度估计网络提取深度信息用于图像配准。不仅解决了高-低分辨率图像配准问题,还获得了红外场景的深度估计。接着利用多视红外超分辨率网络融合多视低分辨率红外图像信息,获得超分辨率红外图像。本文的主要研究内容和贡献点如下:1)提出一种基于自监督重投影的深度估计网络训练方法。针对图像深度信息获取困难的问题,本文采用自监督重投影的方法,使用基于立体匹配的深度估计网络输入多视红外图像进行深度估计。其中,为解决双目相机下采用自监督重投影不可避免的遮挡问题,设计了三目相机互补重投影法,解决了双目相机下的遮挡问题;为解决红外图像对比度低、纹理较弱的问题,采用伪彩色增强的方式将红外灰度图像映射成伪彩色图像用于深度估计,提升了红外图像深度估计的准确度;此外,本文还根据深度估计网络得到的深度信息生成红外点云。2)设计了多视红外超分辨率重建网络Multi-EDSR。本文采用重投影的方式,可以在已知相机间位姿关系的情况下通过图像深度信息对低-高分辨率红外图像进行配准用于多视超分辨率网络模型的训练。本文所设计的Multi-EDSR网络在EDSR网络的基础上,设计了多视图像特征融合模块,采用共享权重的卷积层进行特征提取用于多视图像特征融合,提升了红外图像超分辨率重建的效果。3)搭建了一套包含软硬件的多视红外图像采集系统。利用该系统构建了多视红外图像数据集,并在此数据集上开展了实验验证。实验结果表明本文所设计多视红外深度估计算法所估计深度基本准确,符合真实场景中景物的空间分布;根据深度估计所生成的三维点云清晰准确,可以反映真实场景中的景物状况;恢复的超分辨率红外图像趋近于原始高分辨率红外图像,从而验证了本文方法的可行性与有效性。