红外偏振探测相比于传统的红外探测,在获得图像光强信息的基础上还能够获得图像的偏振度与偏振角的更多维度的信息,因此在近年的研究中受到了广泛的重视。在目标识别,图像增强,大气环境监测,生物医疗,军事等领域,偏振探测都发挥着重要的作用。本文基于分孔径红外偏振探测的实验平台,主要对偏振图像的获取以及基于偏振信息的目标识别两个方面进行了深入的研究。针对分孔径红外偏振探测系统在获取偏振图像时需要进行准确的配准来保证获取偏振图像的准确度的问题,本文为其设计了一种基于子图像的图像配准算法。算法主要针对红外偏振图像在配准过程中由于不同偏振角度的图像特征存在差异,以及红外图像本身噪声较大,细节不明显这两个图像配准时所面临的主要问题。首先,通过图像预处理的方法来降低图像的噪声,增强图像的细节信息。之后使用相位相关算法来对图像进行粗配准,以克服不同偏振角度的图像特征存在差异的问题。最后将粗配准的图像划分为多个子图像,通过剔除那些噪声较大的子图像,来降低背景区域噪声对于配准结果的影响。之后通过实验来验证算法在不同场景下的配准效果,实验结果表明,本文算法在近距离,中距离及远距离三种场景下,偏振图像边缘更为清晰,归一化互信息指标最多提高了0.067%。使用深度学习算法进行目标识别探测是近年来在目标识别领域一个新的研究方向,深度学习算法使用包含许多非线性环节的神经网络来对目标特征进行提取与识别,而不是像传统的探测方法那样使用确定的数学模型来对目标特征进行建模。这种方法的好处是能够更好地应对目标的多种特征,从而对线性不可分的目标进行有效地分类,并且具有更高的准确度。本文在传统深度学习算法使用光强图像进行识别的基础上加入了包含更多边缘信息的偏振度图像,并使用偏振数据来对神经网络进行迁移学习,使其对于红外偏振图像具有了一定的识别能力。实验结果表明,同时使用偏振信息与光强信息,可以有效提高目标的识别率,并降低误识别率。