红外辐射测温是一种典型的非接触式测温,具有响应速度快、测温范围广等优点。本文旨在研究自适应多光谱测温方法,通过测量目标在某一温度下多个光谱的辐射亮度值,结合先进神经网络方法充分学习光谱辐射亮度变化规律与温度之间的非线性关系,从而建立测温模型准确估计目标真温。主要内容包括:目标光谱辐射亮度测量及特征分析。采用傅里叶变换红外光谱辐射计测量目标辐射源在不同温度下的辐射亮度;结合红外理论分析并提取出与温度相关的特征量,包括峰值特征、面积特征、形状特征等。基于RBF网络的红外多光谱辐射测温。引入光谱发射率模型,建立目标温度与辐射特征量之间的非线性对应关系,获取测温模型的输入特征向量。通过RBF网络自适应学习建立红外测温模型,并用测试样本验证该测温方法的合理性。结果表明该模型可获取高精度的目标温度估计值,但如果输入特征量处于红外辐射测试干扰比较严重的波段,会造成较大的测温误差。基于PCA-ELM的红外多光谱辐射测温。为降低测温模型对辐射特征量的依赖性,建立多光谱亮度输入向量。为包含足够有效的测温信息,输入向量通常具有高维特征,可能包含冗余信息影响建模精度。本文建立主元分析(PCA)层对多光谱亮度输入向量进行主成分提取,提高各输入变量之间的相互独立性,实现输入降维;结合快速训练的极限学习机(ELM)网络最终建立基于PCA-ELM的测温模型,实现对未知发射率目标的红外多光谱测温。采用标准黑体和未知发射率的钢板涂层两种目标进行测温验证,结果表明本文方法的有效性。