在现代战争中,迷彩伪装和战场侦察是必不可少的战术组成部分,随着迷彩服的不断改进,与周围植被环境之间越来越相似,使得迷彩人员在可见光中难以被准确检测,这对战场侦察构成极大的威胁。多光谱成像技术能同时获取场景中目标的光谱信息和图像信息,相比可见光图像,具有波段多、光谱分辨能力强等特点。因此,通过迷彩服的多光谱图像,本文分析了迷彩服与周围丛林环境在光谱特征上的差异,开展了基于多光谱图像的迷彩人员检测方法的研究,本文的主要工作和创新之处包括以下几个方面:（1）由于目前网上没有公开的多光谱迷彩人员数据集,设计了迷彩人员的多光谱图像采集方案,搭建了多光谱图像采集装置,采集并构建了丛林环境下的迷彩人员多光谱数据集。（2）迷彩服的特征波段选择。根据迷彩目标与丛林背景之间的亮度信息差异,本文采用了基于图像亮度信息的波段选择方法选择出迷彩服饰的特征波段,并使用K-Means分类算法,验证了该方法所选择特征波段的有效性。文中分析了在数据处理过程中感兴趣区域（ROI）选取的必要性,并在感兴趣区域（ROI）内采用参考白板法对于原始数据进行了反射率重建实验。（3）提出并实现了一种基于YOLOv3网络和图像融合算法的多光谱迷彩人员检测方法。对于特征波段进行NSST变换,其中低频分量采用自适应模糊逻辑原则进行加权融合,高频分量使用模值取大原则进行融合。经实验证明,本文提出的融合算法得到的图像中迷彩目标突出,各项评价指标均优于传统融合算法。对于融合图像使用YOLOv3进行了目标检测,并与单通道图像、可见光图像以及任意组合的三通道特征波段图像检测结果相比较,体现了多光谱图像在迷彩目标检测方面的优势。（4）提出并实现了一种基于语义分割和U-Net网络的多光谱迷彩目标检测方法,解决迷彩目标过小和局部遮挡的问题。分析了多光谱图像中像素点间的相关性,借鉴语义分割的思想,对于多光谱图像进行像素点分类,与可见光图像分割结果相比,在分类精度上有着较大提升,迷彩目标检测效果显著。并在U-Net网络基础上进行了改进,通过添加空洞卷积层,加深网络结构等操作,进一步提升了分割精度,取得了较为优秀的检测效果。（5）基于本文研究内容构建了一个基于多光谱图像的迷彩人员检测系统,能更直观方便地展示本文的研究成果,并详细介绍了主要的功能模块和相关实现。