精确制导武器在现代战争中发挥着重要的作用。而红外制导一直以来都是精确制导武器的主要制导方式之一。目标检测算法则是红外制导系统中的关键环节。随着军事科技的日益进步,深度学习与红外目标检测算法的结合已经成为下一代人工智能武器的重要研究方向。数据是深度学习的重要基础,任何深度学习算法都离不开数据。数据集的数量和质量将直接影响到深度学习算法的性能。然而由于军事目标的敏感性,很难获得足够数量的公开数据集对军用的深度学习红外目标检测算法进行训练。数据集的缺少在一定程度上限制了深度学习目标检测算法在军事领域的进一步应用。通过数据扩充来解决红外图像数据集缺少的问题是一种行之有效的解决方案。但目前主流的数据扩充方案多是针对可见光图像的数据扩充的,对于红外图像的数据扩充研究则较少。加强对于红外图像数据扩充方法的研究势在必行。本文针对红外图像数据缺少的问题,通过深度卷积生成对抗网络和基于样式的生成对抗网络两种生成对抗网络,对红外图像数据进行扩充,以提升目标检测网络算法的性能。本文的主要工作有以下三点:(1)针对红外图像数据扩充问题,介绍现有的数据扩充方法,并对现有的数据扩充方法进行了讨论。提出一种使用基于样式的生成对抗网络的红外图像数据扩充方法。设计并进行实验,通过多种指标验证了该方法相比传统深度卷积生成对抗网络,所生成的红外图像数据更加符合红外图像数据的数据分布,且生成的图像质量更高。(2)使用WGAN-GP损失函数对基于样式的生成对抗网络进行优化,提升所扩充红外图像的质量和真实度。设计并进行了实验,通过多个指标对于优化效果进行了验证。(3)使用目标检测网络Faster-RCNN对红外图像扩充的效果进行了评估,并比对了使用不同的生成对抗网络进行红外图像数据扩充的效果。设计并进行了实验,通过多个指标对实验结果进行了分析,得出了结论。验证了本文所进行的数据扩充工作的有效性和基于样式的生成对抗网络在红外图像数据扩充方面的优势性。