随着红外成像技术在各个领域内的广泛应用,红外图像分析逐渐成为一个重要的研究课题,如何快速且准确地对红外图像进行分析是研究的重点。然而传统的红外图像分析方法并不能满足红外图像分析的要求,虽然近年来深度学习的迅速发展为解决红外图像分析问题提供了有力的工具,但是将深度学习方法应用到红外图像上主要面临俩方面的问题:一方面是深度学习需要大量的样本来训练模型,另一方面是红外图像存在整体质量较低、缺少图像细节信息、边界模糊、灰度集中、背景相似度高的特点。考虑到实际场景下图像分析中最基础的任务就是识别与定位(即目标检测),因此本文首先对红外图像目标检测任务进行了研究并应用到交通场景下的红外图像分析。由于红外图像特征信息缺失以及数据集的限制,检测的结果中出现将不同类别的交通工具划分为同一个类别的情况,这不利于后续的分析,因此本文又对红外图像分类任务进行了研究与应用。本文主要做了以下工作:(1)基于改进FPN-FRCNN的红外图像目标检测为了解决红外图像较难检测以及红外图像数据集受限的问题,本文提出了改进的FPN-FRCNN模型。以能够融合多尺度特征的FPN-FRCNN模型为基础,分析将FPN-FRCNN模型应用到红外图像目标检测上存在的不足并提出相应的解决方法。使用迁移学习的方法训练模型,解决红外图像数据集受限的问题。通过增强卷积主干网络的特征抽取能力来解决红外图像质量不足、缺乏细节信息的问题。使用Rol Align池化方式提升模型定位精度来解决红外图像边界模糊对比度差,纹理特征不明显的问题。引入Soft-NMS,降低模型的漏检率,解决红外图像中因目标重叠导致漏检的问题。最后通过多个对比实验来验证本文提出方法的有效性。(2)基于改进原型网络的红外图像分类为了解决深度学习需要大量图像样本以及红外图像较难分类的问题,本文提出了改进的原型网络模型。以原型网络为基础,分析将原型网络应用到红外图像分类上存在的不足并提出相应的解决方法。原型网络能够进行小样本学习,可以解决样本受限情况下的图像分类问题。使用残差模块增强特征嵌入模块特征抽取能力来解决红外图像质量不足、缺乏细节信息的问题。改变原型的获取方式,得到更具判别力的原型作为每个类别的原型表示来解决红外图像特征不明显的问题。引入改进的三元组损失来优化度量空间,解决红外图像灰度集中、背景相似度高、在特征空间内类间差异不够大的问题。最后通过多个对比实验来验证本文提出方法的有效性。(3)红外图像分析系统的设计与实现根据本文提出的方法和对实际需求的分析,首先对红外图像分析系统进行了初步的设计,接着通过编程实现了基于深度学习的红外图像分析系统。该系统主要由红外图像目标检测和红外图像分类两大部分组成。最后对本系统进行测试,展示了本系统的实用价值。