在计算机视觉、图像处理、模式识别、机器学习研究领域中,目标探测(亦称检测,后面统一称检测)与目标识别一直是永恒的热门课题,红外成像以及处理技术由于得天独厚的优势,在智能交通、安防监控、工业生产检测、军事目标识别等有广泛运用。在科学研究旅程中,人类一直在思考,机器是否可以像人类一样具有思考能力以及智能解决疑难问题,经过多年的持续研究,机器学习算法取得很大发展,特别是红外技术领域中的目标检测与识别研究工作取得不少成果,但是仍然存在很多需要解决的关键科学技术问题,目标所处环境复杂多变,目前还没有一种比较通用成熟的检测与识别算法,因此,在实际应用中,算法研究的机遇与挑战并存。本文针对红外技术应用领域的目标检测和识别三个方面分别进行研究,取得的主要创新性结果如下:1.基于对比度的红外点目标检测与识别技术研究:当目标本身形体很小,或者是目标和红外成像系统之间距离非常远,目标成像面积很小,在视场中表现为孤点或者斑点,红外点目标检测与识别技术难度较大。本文采用一种以局部对比测度(LCM)方法为基础的MLCM算法,结合SSDA模板匹配算法、数学形态学运算、基于块的多尺寸对比测度(MPCM)算法,解决视场中表现为孤点或者斑点目标的难题,对红外点目标进行检测识别,算法工作性能良好,适合多种运用场景。2.基于支持向量机的红外面目标分类识别技术研究:面目标的成像面积比点目标大,在红外成像系统中,相同一个人穿着不同的服饰,成像特点不一样,不同的行人成像特点也不同等。本文采用一种以SVM+HOG为基础的分类模型,通过加入GLCM算法提取目标纹理特征,对红外面目标进行分类识别,解决穿着不同服饰的红外面目标分类识别问题。结果显示,在自己采集的长波红外面目标场景中,提出的SVM+HOG+GLCM算法模型对面目标的分类识别的正确率较高,达到90.5%,可以满足一定应用需求。3.基于卷积神经网络的红外空中动目标和地上行人检测研究:针对红外空中动目标检测和地上行人检测,采用两种思路进行解决;对于红外高空动目标,先使用传统的基于阈值分割的帧间差分检测算法,然后使用Faster R-CNN算法对其进行检测,最后将两种类型算法的检测结果进行比较,分析它们的优点与缺点;对于红外地上行人目标,同样也先使用传统的级联检测器对目标进行检测,然后使用Faster R-CNN算法对其进行检测,最后比较两种算法的检测效果;比较两种目标场景的检测结果,卷积神经网络算法的检测效果更加优异。总之,本文主要针对红外技术应用领域的目标检测和识别三个方面进行研究,同时也研究传统的目标检测算法,对两种类型算法的检测结果进行比较,研究算法间的优点与不足,取得一定的研究成果,但仍然存在一些问题,特别是机器学习算法是近年来国际兴起的新型研究领域,需要在往后的研究工作中进一步深入。本文的研究结果将对红外技术领域中的目标检测与识别应用起到一定的促进作用。