随着红外成像探测技术的日益发展与成熟,基于其被动式隐蔽探测、抗干扰性强、全天时工作等特点,红外成像技术在安防、工业检测、森林检测、电力行业、航空航天、医疗诊断等领域得到了应用广泛。但由于红外波段频率低、核心器件焦平面阵列规模较小等原因造成红外成像技术获取的图像对比度差、分辨率低、噪声明显等问题。为了规避以上技术问题造成的缺陷,提高红外成像的图像质量,获取对比度高、细节清晰、分辨率高的红外图像,本文开展了基于深度学习的红外图像质量提升关键技术研究,所做的主要工作如下。(1)针对红外探测器的按列信号读出方式导致红外图像存在非均匀性条纹噪声等问题,研究并实现了一种基于卷积神经网络的红外图像非均匀性校正方法。首先,使用卷积神经网络对输入图像进行特征提取,学习含有噪声图像和无噪声图像之间的残差信息,然后对提取出来的特征图进行非线性映射后重建出只有噪声的图像,最后基于含噪图像进行去噪处理,滤除噪声后得到最终的非均匀校正结果。通过仿真实验验证该方法性能,通过多组数据验证,相较于传统校正方法,本文方法提升了处理结果的图像粗糙度等性能指标。(2)针对红外图像的高背景低反差、目标轮廓模糊的问题,研究并实现了一种基于生成对抗网络的红外图像增强方法。首先,将原始红外图像输入至生成器中,通过特征提取、非线性映射和图像重建等处理输出图像增强后的结果,然后判别器对生成器输出的结果进行评估,通过多次迭代学习提高生成器输出图像的质量,得到对比度高和细节增强后的图像结果。采用了联合损失函数训练网络,以更好地保留图像的语义信息,提高红外图像的增强效果。利用多个场景红外图像对算法性能进行验证,结果表明,相较于传统增强方法,本文方法的增强结果对细节信息的表达更丰富,图像平均梯度等性能指标均有明显提升。(3)针对红外探测器阵列规模较小导致的红外图像空间分辨率不高等问题,基于残差结构可防止网络加深时导致梯度消失的优势,研究并实现了一种基于生成对抗网络的红外图像超分辨率重建方法。首先,为了滤除超分辨率过程中可能引入的伪影,提高网络模型泛化能力,移除生成器网络中原始残差模块的批量归一化层,然后扩大残差模块中激活层的输入通道数以获取红外图像的低级特征信息,在降低算法计算复杂度的同时,可提高重建质量,实现了端对端的红外图像的超分辨率重建。通过多组红外图像实验验证重建方法性能,结果表明,本文方法可有效提高红外图像的空间分辨率和主观视觉效果,重建后图像的细节信息更丰富。