红外成像具备探测距离远、隐蔽性高、可穿透烟雾以及全天候工作等优势,在光电探测领域受到了广泛的重视、研究和应用。在红外探测系统中,目标识别与检测能够为图像中的潜在目标提供类别判断和坐标定位,是后续跟踪任务的基础,也是后续决策系统的有力支撑。近年来,随着计算能力和大数据的推进,深度学习模型已经在计算机视觉领域取得了异常瞩目的进展,在很多大型数据集上,一些算法的认知水平甚至超过了人类的分辨能力。然而,这些算法之所以性能强大,很大程度上依赖于训练数据的充分程度。在红外空中目标的识别问题上,获取样本数据的代价十分昂贵,某些少见机型的数据样本甚至仅有个位数,很难建立充分的样本库来对各种型号的飞机红外数据进行分析。本文围绕少量样本场景下的红外空中目标识别问题,结合图像处理、模式识别、稀疏表示、深度学习等领域进行了深入研究,主要工作与创新点如下。（1）提出了一种基于稀疏表示的红外条状噪声校正方法。首先利用K-SVD字典学习算法对无噪声干扰的红外图像进行训练,提高字典对红外图像的表达能力;然后利用OMP算法对噪声图像进行稀疏求解和图像重建;随后利用重建图像与噪声图像,根据最小二乘法逐行求取校正系数;最后利用校正系数和噪声图像输出校正图像。实验结果表明,该方法对条状噪声的校正效果比较稳定,不受场景约束,且对稀疏求解的误差容忍度较高。（2）提出了一种基于判别稀疏表示的红外空中目标识别模型。首先提出了具有旋转不变性的方向梯度直方图特征,然后将训练样本的该特征作为原子组成初始字典,利用FDDL字典学习算法对字典进行优化,同时提高字典的编码能力和判别能力。随后提取测试样本的特征向量作为原始信号,利用同伦算法求解稀疏表示系数,最后根据各类别的重构残差输出红外空中目标的预测标签。该方法理论基础充分,实验结果表明,该方法拥有较强的旋转不变性、判别能力以及抗噪性能。（3）针对某些少见机型样本稀少的问题,提出了一种改进关系网络的少样本红外空中目标分类方法。该方法将关系网络模型与多尺度特征融合方法以及元学习的训练策略相结合,首先构造多尺度特征提取模块提取支撑样本和查询样本的特征信息,然后把查询样本和支撑样本的图像特征连接起来输入关系模块,根据查询样本和各类支撑样本之间的关系值作为类别判断依据。在训练方式上,采用元学习的训练策略。实验结果表明,本文提出的方法能够在少量样本的情况下,实现多种机型的红外空中目标的识别任务。（4）针对红外空中目标尺寸偏小、分布稀疏的特性,提出了一种增强小尺寸目标关注的少样本红外空中目标检测方法。该方法对特征权重调整模型加以改进,在特征提取模块,通过深浅层特征图融合的方式增强特征提取模块输出的特征图表达能力;在权重调整模块,使用热力图取代二值图像作为标注信息的输入形式,增强红外目标与背景之间的关联,使模型能够关注到较小尺寸目标。在训练方式上,采用基础训练与少样本元任务微调相结合的方式。实验结果表明,该方法能够在少量标注样本的情况下,实现红外空中目标的检测任务。