红外成像技术作为一项抗干扰能力较强的可视化技术被广泛应用于军事侦查、夜间驾驶、疾病诊断、森林火灾、气象预测和异常检测等领域。然而由于受到制作工艺水平的限制等问题的限制,红外图像中存在着非均匀性强、盲元严重和对比度低等不利于视觉观察的特性。为了改善红外图像的成像质量以满足下游目标检测等任务的性能要求,本文主要研究了红外图像中非均匀性校正算法。论文的主要内容包括:（1）详细介绍了几种经典非均匀性校正算法的基本原理和实现步骤。通过算法原理或实验仿真来阐述这些算法的优缺点和优化思路,并对这些算法进行了系统的对比。（2）研究了基于配准的校正算法。从配准算法的选择、配准精度的提高、局部空间特性和鬼影现象的抑制四个角度进行算法的优化。实验结果表明,在粗糙度指标上,本方法相对传统方法降低了约1.4%。当视场快速运动时,本方法可以在去除竖纹非均匀性噪声和斑纹非均匀性噪声的同时不产生肉眼可见的鬼影。提出了一种基于随机数的非均匀性校正算法用于去除场景中存在的空域低频和高频非均匀性噪声。该方法通过随机数组来构造期望函数因而算法复杂度低,实时性高。实验结果表明,本方法相对其他方法可以较好的去除“锅盖”等空域低频非均匀性噪声。在粗糙度指标上,本方法相对传统神经网络法和配准法分别降低了约31%和35%,体现了更好的噪声去除能力。值得注意的是,本方法虽然可以同时去除空域低频和高频非均匀性噪声,但当场景静止或运动缓慢时会引入鬼影。（3）研究了基于神经网络的校正算法。选用引导滤波图作为期望函数以保护图像的边缘信息;设计了时空域自适应学习率调节策略以提高算法的稳定性;引入算法收敛的判断机制并设计变分平滑函数来消除鬼影。实验结果表明本方法资源消耗小且实时性高,在英特尔酷i5 8256U-CPU上对324×256红外图像数据集进行测试运行时间不低于100帧/秒;在结构相似度指标上本方法比传统的神经网络法高约24%,可以在去除非均匀性噪声的同时较好的保持图像的细节特征。此外,相较于其他基于场景时域迭代的非均匀性校正算法,本算法以一定的非均匀性残余为代价实现了视场静止和缓慢运动下竖纹非均匀性噪声的校正而不会引入鬼影。研究了基于引导滤波的图像细节增强算法。设计了基于引导滤波的神经网络法和基于时域迭代的一点校正法来分别去除图像中存在的竖纹和“锅盖”非均匀性噪声。利用引导滤波分离图像的基频信息和细节信息并设计基于改进的对比度受限直方图均衡化算法将14bit基频子图映射到8bit图像空间。实验结果表明,本架构可以较好的去除竖纹和“锅盖”非均匀性噪声并增强图像的细节特征。在视觉效果、熵增强测量和结构特性指标上,本方法均高于其他几种经典的图像细节增强算法。值得注意的是当场景变化过慢时,基于时域迭代的一点校正法会引入大量鬼影;并且改进的限制对比度直方图均衡化算法稳定性较差。（4）研究了基于深度学习的非均匀性校正策略。通过构造U-Net网络来实现非均匀性校正并利用减法结构和生成对抗网络来提高网络的性能,采用了Charbonnier Loss来提高网络的收敛能力并引入变分损失和删除标准化层以提高网络的细节表达能力。研究了轻量化网络设计方案,利用卷积剪枝的策略来减少训练好的网络模型的复杂度,最后将训练好的模型移植于寒武纪MLU开发板平台。实验仿真结果表明,本算法比传统的UNet算法在峰值信噪比和结构相似度指标上分别高约5%和4%,可以较好的保护图像的细节特征。压缩剪枝后相较于剪枝前资源消耗减少了约30.6%,峰值信噪比和结构相似度指标分别降低了约7%和6%,采用的压缩剪枝策略只在损失了少量的网络精度下大大减少了模型的开销。由于受到硬件平台的限制和模型转换时的精度损失,导致算法移植后性能较差。