红外成像末制导具有隐蔽性好、成像速度快、成像清晰相对较高、抗干扰能力强等特点,在大气层中高速飞行目标的检测识别方面具有广泛应用价值。但是红外成像末制导会受到云层和窗口气动光学效应的干扰,从而极大地阻碍了在目标检测方面的有效应用。传统方法主要考虑薄云情况,在云层厚度和种类等对红外成像末制导的影响方面研究不足。本文开展了在高速条件下执行红外成像末制导中,抑制云层和窗口气动光学效应干扰的目标检测识别方面的关键技术研究。主要涉及以下方面内容:首先,利用统计分析与机器学习方法并结合气象卫星的云图资料,开展云层分类算法研究,为提高红外成像末制导效能提供依据和指导,本文提出的面向红外末制导的云层分类算法其平均准确度可以达到80%以上。其次,本文按目标背景的不同对窗口气动光学效应采用不同的算法进行校正。以往的校正算法往往只考虑目标背景为地面背景的情况,若目标背景为天空背景时校正气动光学效应仍会有残余。用于测试校正算法的图像是利用气动光学效应数学模型仿真得到,还使用红外波谱图像反演方法来扩充图像数据集。接着,针对地面背景利用条件对抗网络对窗口气动光学效应进行校正,主要将气动传输效应和气动热辐射效应综合考虑且忽略系统噪声。利用条件生成对抗网络训练大量数据,通过学习提炼窗口气动光学效应图像与清晰图像间的映射关系,并用于对气动光学图像进行校正。原始窗口气动光学效应图像与清晰图像间的结构相似性的典型值约为50%,利用条件生成对抗网络校正的气动光学图像与清晰图像间的结构相似性典型值约为70%。最后,针对天空背景先利用本文提出的高热非均匀背景抑制算法对气动热辐射效应进行校正并去除系统噪声,再利用MAP-HU矩算法对气动传输效应进行校正。从而有效提升图像的信噪比,保留弱小目标,提高检测识别效率。