近年来,深度神经网络的出现促进了人工智能技术的发展,视觉感知系统作为许多智能应用的基础在安防监控、自动驾驶和智能机器人等领域发挥着重要的作用。当前的视觉感知系统大多以可见光摄像头为基础,模拟人眼赋予智能设备感知周边环境的能力,随着应用场景的日趋复杂,单纯基于可见光传感器的视觉感知系统性能受光照变化的影响,已经无法满足实际应用的需要。如何提升视觉感知系统在复杂环境下的目标识别与测量性能,确保其全天候高可靠性是视觉感知系统进一步发展必须面对的挑战。红外传感器因其成像特性,能够在完全黑暗的情况下反馈信息,对光照变化和阴影具有鲁棒性,可以弥补可见光传感器的缺陷。故本文面向疫情防控中的体温监测和自动驾驶中的环境感知,设计了两套红外视觉感知嵌入式系统,以红外视频图像深度学习算法为研究对象,开展应用研究。本文的主要贡献有:（1）面向疫情防控中对快速、高精度、多人次的体温监测需求,针对现存红外测温仪测温范围有限、最大测温误差较大（±0.5℃）的问题与挑战,研发了一个大范围高精度体温测量算法。通过可见光图像定位人脸的位置,进而获取红外测温仪的测量结果,然后使用两层全连接网络对测温结果进行矫正,解决了红外测温仪固定测量范围外测温误差较大的问题,并实现了基于双目多光谱图像的人体测温系统原型设计。实验结果表明,论文所设计的人体测温系统将红外测温仪视野范围内任意位置的最大测温误差从1.73℃缩小至±0.35℃,验证了系统的有效性和可行性。（2）面向自动驾驶技术对全天候、24小时工作的需求,针对视觉感知系统在微光、夜间和雨雾等复杂环境下感知困难的问题与挑战,结合红外图像的成像特点和深度神经网络在机器视觉领域的超高性能,通过迁移学习的手段得到了一个面向自动驾驶的红外目标检测模型,并基于嵌入式系统进行了原型实现。实验结果表明,在自构的车载红外数据集上,系统以91.41%（m AP）的检测精度、29.65FPS的推理速度处理分辨率为720×480的红外视频图像。