红外成像系统因其具有适应性强、隐蔽性好等优点,并随着其快速的发展和功能的完善,被应用于很多领域。为了提高红外成像系统的性能,一般采用高于12bit的模数转换器,获取高动态范围图像,无法在传统低动态范围显示设备上正常显示,且红外图像有对比度低和信噪比低等问题,导致图像质量较差。红外高动态图像细节增强算法致力于解决上述问题,目前主流的研究方法是基于分层的思想,但是存在梯度反转和光晕等现象而影响图像质量。本文立足于研究红外图像质量提升方法,探讨将深度学习方法用于红外高动态图像细节增强技术的可行性和有效性。此外,近年来,视觉注意机制在图像增强技术中显现出其优势,本文还开展了基于深度学习的图像显著图构建方法的研究,用显著图来指导红外高动态图像细节自适应增强。本文首先分析了基于分层思想的传统红外高动态图像细节增强算法,针对其适应性差等问题,研究并实现了一种基于卷积神经网络的红外高动态图像细节增强算法。算法构建了用于该任务的数据集,其由红外高动态图像和红外增强图像组成,并采用多尺度的卷积神经网络模型,提取图像全局和局部的特征;通过设计的损失函数,使模型学习图像对间的映射关系,能端到端地实现红外高动态图像细节增强。仿真实验结果表明,与传统的方法相比,该算法增强的图像在视觉效果和图像质量上有明显的优势。其次,为了在图像细节增强中模拟视觉注意机制,本文对视觉注意机制和显著图构建方法进行分析,研究并实现了一种基于迁移学习的红外图像显著图构建算法。该算法采用编解码结构网络模型,并在其中加入扩张模块,来提取更丰富的特征,从而生成准确的显著图。针对红外显著性预测数据集数据量不足的问题,采用迁移学习的方式,将在可见光数据集上训练的模型参数保留,并对解码器用红外数据集进行微调,使模型能准确地生成红外图像显著图,来指导后续增强任务。本文最后在上述工作的基础上,研究并实现了一种基于视觉注意机制和生成对抗网络的红外高动态图像细节增强算法。算法网络模型由生成器和判别器组成,生成器输入红外高动态图像,能输出红外增强图像和其对应的显著图,显著图用来指导模型对图像进行自适应增强,判别器用来评估生成红外增强图像的质量,交替训练生成器和判别器,最终使生成器生成高质量的图像。对该算法进行了仿真实验,从主客观的角度验证了算法的有效性,相较于基于卷积神经网络的算法,视觉效果和色调映射特征相似指标有所提升。