随着智能化时代的到来,人们对成像产品智能化的需求越来越大,例如智能驾驶和无人安防等领域依赖的是车载和机载成像平台的智能化产品。其中,图像分割技术作为实现智能化产品的重要研究方向,通过对场景的语义信息进行分析,分割场景中的目标和背景,帮助智能化产品的落地与发展,得到了广泛的关注与重视。同时,人们对于场景分割的需求不仅仅是在可见光场景,红外夜间场景的需求也非常迫切。然而,由于车载和机载场景的复杂度高,目标多且难以分辨,并且因为红外成像的特性,会造成目标边缘弱,灰度分布不均匀,导致红外车载场景的分割精度难以提升。因此,本文针对车载和机载场景下的红外图像进行语义分割技术上的研究,主要的研究工作如下:红外车载场景复杂,且红外图像细节部分丢失,一般的图像分割算法难以满足任务对精度的需求。本文针对分割目标边缘时容易出现的分类错误问题,设计了基于类别原型回归的场景理解网络:CPRNet。网络提出了类别原型回归损失函数,通过增强类别内的特征相关性,拉近类内距离,从而对图像深度特征进行增强,提升图像细节。同时,在红外车载场景中,图像细节在空间上的分布也尤为关键。因此,CPRNet中还设计了基于类别原型回归的空间和类别上的注意力机制,通过对深度特征进行空间维度和类别特征维度上进行相关性加权,提升特征的表征能力,进一步提升网络在红外车载场景中的分割精度。相比于改进前的基准网络,提升了的4.37%准确率。红外机载平台场景具有目标小,边缘弱等特点,本文针对该类问题,设计了基于超分辨率重建的图像增强模块作为网络的输入部分,对图像中的目标进行尺寸和边缘细节上的优化,并设计了频域损失函数对图像增强模块进行了进一步的优化改进。得到的图像再通过语义分割网络进行迭代训练。同时,本文针对语义分割网络设计了边缘损失函数增强网络对边缘的注意力。最终实验表明,基于图像增强的语义分割网络在红外机载场景下,性能要优于一般的语义分割网络。相比较改进前的算法,准确率提升了4.95%。