由于红外成像系统中的红外焦平面阵列器件制作工艺与材料的不足,未经处理的原始图像会呈现出明显的条纹或块状噪声,严重影响红外图像的质量,因此对红外成像系统进行非均匀性校正是获得高质量红外图像的关键。为拓展红外系统工作动态范围,通常需要改变系统工作积分时间,由于像元响应与积分时间相关,并且也呈现一定非均匀特性,因此积分时间的改变会导致图像均匀性下降,对此本文提出了一种基于定标数据的非均匀性校正方法,该方法利用神经网络原理,构建出融合积分时间项的校正模型,以黑体灰度图与对应积分时间作为输入,黑体图像灰度均值作为期望值,训练得到的校正网络能有效适应积分时间改变导致的非均匀性。在实验中发现该方法相比常规的TPC方法,对不同积分时间与温度的黑体图像校正后非均匀度均值下降了约80.8%。对于输出灰度值随积分时间改变而跳变的现象,本文根据黑体辐射理论与探测器响应模型,推导出以相机响应的目标辐射出射度作为输出值的校正模型搭建网络,仍以黑体灰度图与对应积分时间作为输入,计算对应黑体辐射出射度作为输出期望值,训练得到的网络对积分时间改变的红外图像校正能保持输出的稳定性。经验证,在对800、900以及1000的相同红外场景图像进行校正后,输出值相对变化量只有0.27%与0.38%,远低于灰度域校正方法校正后的5.1%和8.4%相对变化量,并且仍然能保证图像的非均匀性校正效果。对于红外系统长时间工作或者环境温度变化所导致的响应漂移现象,提出一种“在线”修正校正系数的方法,该方法通过在镜头前加均匀遮光盖或者调节镜头对准均匀场景,以当前帧图像和积分时间作为输入,对偏置项进行在线修正,经过大约二十次迭代,相比校正系数修正前的输出图像能将非均匀度下降87.9%。