红外相机数字图像一般具有宽动态范围（14～16bits）的特点,红外辐射能量响应范围宽、温度分辨率高,广泛应用于军事与民用等诸多领域。但是,常规显示设备大多只支持显示8位灰度图像（256级灰阶）,需要对宽动态红外图像进行二次量化,不可避免涉及动态范围压缩、灰度等级合并,导致细节信息弱化甚至丢失。因此,量化的同时增强细节信息成为研究的重点与难点。传统的线性量化、分解-合成量化等方法依赖参数人工调优,场景适应性差。本文研究了基于深度卷积神经网络的宽动态范围红外图像量化与细节增强方法,具体工作如下:首先,分析了基于双边滤波、引导滤波的图像分解-合成量化与细节增强方法原理,结合信息熵、细节增强因子EME、标准差等评价指标,通过实验分析算法参数的影响规律及其最优设置,结果表明,在最优参数设置下,基于引导滤波的量化方法取得最佳指标性能。其次,针对基于引导滤波的量化与细节增强方法参数选择复杂、场景适应性差的问题,提出了基于双分支网络（Dual CNN）的红外图像量化方法,构建细节层子网络Net D学习图像细节、结构层子网络Net S学习图像大尺度结构,最后自适应融合生成高质量量化图像。实验表明,通过大数据学习,双分支网络自适应地学习最优参数下的引导滤波量化过程,避免了参数人工调优,提高了场景适应性。最后,本文分析了宽动态范围红外图像量化与增强对后续目标检测任务的促进作用。使用YOLOv2目标检测网络,分别处理线性增益控制（AGC）、平台直方图（PE）、引导滤波、双分支网络等四种量化方法的量化数据以及原始16位数据,统计分析大（高于80×80）、中（20×20～80×80）、小（低于20×20）尺寸目标检测准确率（AP）和召回率（AR）性能。实验表明,量化与细节增强促进了目标检测性能;最优参数引导滤波量化取得最高的AP/AR性能,双分支网络量化方法取得次优的AP/AR性能,因其无需参数人工调优,更具实际应用价值。