基于深度网络的目标检测识别方法近年来取得巨大的成功,广泛地应用于各个领域,但该类方法的训练需要大数据的支撑,对于军事目标而言,难以获得海量真实军事目标的样本数据。针对样本不足条件下目标检测识别的问题,样本扩充和迁移学习方法得到了广泛的研究。本文针对红外图像目标检测识别问题,在这两方面展开了研究。本文提出了基于各类材质时变辐射变化曲线红外图像时段拓展的样本扩充方法,通过材质辐射理论计算和商业仿真软件红外仿真相结合的方式,建立各类材质在不同时段的辐射模型,依据不同时段的辐射对比关系,实现真实红外图像在不同时段的拓展,拓展图像和同时段真实图像在分布上的一致性表明拓展数据可用于网络的训练。目标检测网络的域自适应训练的一种方法就是采用不同类样本对网络进行训练,本文对比研究了红外仿真图像和可见光真实图像应用于红外图像目标检测算法训练的性能,通过使用商业建模软件Multigen Creator,完成对飞机目标和背景的建模,采用商业红外仿真软件SE-Workbench,仿真飞机目标在双波段、多时段、多气候、多背景、多视角下的红外仿真图像,并应用于网络训练,通过在真实红外图像上的检测试验,验证了采用红外仿真图像训练检测识别网络可优于可见光图像。针对源域样本和目标域样本的特征差异导致检测网络性能不佳的问题,使用了一种深度对抗的域自适应网络,用反向传播的方式进行训练,学习仿真红外图像和真实红外图像的域不变特征,并将该域自适应结构引入Faster R-CNN检测网络模型中,建立了一个端到端的目标检测网络结构,仿真试验表明该方法可有效提高基于仿真红外图像训练的检测识别网络的真实红外目标检测精度,提高了目标检测的跨域鲁棒性。