车辆作为现代交通运输的重要载体之一,广泛应用于军事和民用领域。红外图像由于具有全天候工作、抗干扰性强等特点,在战场态势感知、智慧交通及视频监控等领域得到了广泛应用。为解决计算资源和存储资源受限条件下的车辆目标检测与识别算法模型的部署问题,开展红外遥感图像车辆目标检测识别及其轻量化研究,具有重要研究意义和应用价值。论文主要工作如下:针对当前机载公开红外图像车辆目标数据集稀缺的问题,论文根据实际项目研究需求,构建了一个红外遥感图像车辆目标数据集并完成标注。针对常规红外遥感图像车辆目标检测算法在复杂背景干扰下出现漏检多、误检多的问题,提出了一种基于增强空间位置信息红外遥感车辆目标检测算法。该算法在深度学习车辆目标检测框架中,通过设计多个模块组合增强对目标空间位置信息的感知能力,同时利用车辆目标所处空间位置信息来提高算法对真实目标和虚假干扰目标的判别能力。实验结果表明,该算法可以有效提高精度与召回率。针对当前基于深度学习的目标检测识别算法存在着网络模型所占内存大、参数多、计算量大的问题,提出了一种基于自适应剪枝的轻量化网络红外车辆目标检测算法。该算法基于强化学习思想生成剪枝策略并进行剪枝,利用网络中BN层中全局统计信息参数评估剪枝后的子网络性能并且将剪枝后网络进行工程化实现。实验结果表明,该算法在参数量、计算量、模型大小大幅减少的情况下,检测精度却有小幅度提升。针对实际侦察任务应用需求,提出一种基于负样本二次学习的端到端红外遥感图像车辆目标检测多任务算法模型。该算法模型通过分类分支网络对输入图像进行正负样本分类,同时对高质量的负样本进行二次学习以加强对其信息的提取,以此提升车辆目标检测结果的准确率。实验结果表明,论文所设计的多任务车辆目标检测模型可以有效的区分正负样本,显著提升了检测效率与准确率。