红外空中目标跟踪是红外成像制导武器系统中关键技术之一,针对在复杂对抗环境下红外空中目标跟踪过程中面临的目标尺度小、干扰、遮挡及实时性等实际问题,本文研究深度学习理论在红外空中目标跟踪中的应用,构建面向复杂环境的基于深度学习的红外空中目标跟踪模型。首先,提出一种基于孪生网络的红外空中小目标跟踪算法。该算法在全卷积孪生网络的基础上,通过深度特征响应图的平均峰值相关能量和最大峰值判断目标跟踪状态,提升跟踪状态判别能力。当发生背景杂波干扰时,通过传统特征与深度特征相结合的方法,使用深度特征响应值联合局部对比度的判别方法来选取目标。当发生遮挡时,通过目标帧间运动信息构建的卡尔曼滤波预测目标位置。其次,提出一种基于多尺度并行网络的抗干扰红外空中目标跟踪算法。该算法在基于重叠面积最大化的跟踪算法的基础上,使用改进的多尺度并行网络作为特征主干网络,保持高分辨率特征,在网络中充分融合多尺度特征,有效避免红外目标特征损失。使用多尺度自适应融合注意力机制处理主干网络输出的多尺度特征,对不同尺度特征图自适应分配注意力权重,强化目标的关键特征并抑制背景干扰。同时,在模型更新阶段引入一种高置信度分类网络更新策略,解决模型更新中模型污染问题,提升抗干扰跟踪能力。最后,对深度学习红外空中目标跟踪模型进行轻量化。在基于重叠面积最大化的跟踪算法基础上,将易于部署在嵌入式设备中的轻量级卷积神经网络Mobile Net V3作为特征提取的主干网络,使整体跟踪网络具有较小的网络参数量和计算量,提升算法实时性。采用密集双向特征金字塔网络融合主干网络的浅层和深层特征信息,将多层次融合后的特征作为输出,增强红外空中目标特征,在一定程度上缓解了轻量化后跟踪精度下降的问题。在跟踪过程中增加自适应在线更新策略,进一步提高在线训练效率和跟踪速率。在红外空中目标跟踪数据集上的实验结果表明,本文提出的红外空中目标跟踪算法,相对于传统跟踪方法,跟踪性能更精确、更稳定且保证了实时性,可以满足实际工程应用的需求,为红外成像制导目标跟踪算法设计提供参考。