红外图像中往往包含很多人眼不易或不能察觉的信息，在国防军工，安保监控等方面应用广泛。但是红外图像存在色彩单一、分辨率低等问题，所以红外图像增强一直是研究的热点，例如红外图像彩色化，红外与可见光图像融合，红外图像超分辨率重建等。基于传统算法的红外图像增强方法往往依赖像素间的关系，不能很好地学习图像内的信息与特征。生成对抗网络(GAN)通过生成器和判别器的博弈优化网络性能，可以充分学习图像中的信息与特征，在图像生成方面有巨大优势。因此，其在红外图像增强方面的应用值得研究。本文重点研究基于GAN的红外图像彩色化和红外与可见光图像融合这两个红外图像增强问题。
　　在红外图像彩色化研究上，为了获得更加逼真和细致的彩色化结果，本文提出了一种DenseUnetGAN结构。本文改进了基于Unet的生成器，并添加多种损失函数优化彩色化结果。同时设计了反卷积优化的判别器。在大型公开数据集上的测试结果表明，本文的方法不仅在视觉上有更加逼真的效果，同时在结构相似性(SSIM)、熵(EN)等量化指标上也高于其他的图像上色方法。由DenseUnetGAN生成的彩色图像可以检测到的SURF特征点数量相当于原始彩色图像的93.49％，具有很好的特征重建能力。此外本文还对预处理数据集时采用的人脸定位神经网络实现了FPGA加速。实验表明，本文的加速方法相对于同开发板的ARM嵌入式计算有45倍的速度提升。
　　在红外与可见光图像融合研究上，为了获得包含更多信息的清晰融合图像，本文提出了一种LBP-BEGAN结构。本文设计了基于局部二值模式(LBP)这一边缘特征提取算法的LBP损失函数，以保障融合图像具有更多的边缘信息。同时设计了基于分布的判别器结构，在没有理想的融合图像作为标签的前提下，建立起生成器和判别器的对抗损失。在TNO和INO数据集上与其他八种融合算法的对比结果表明，LBP-BEGAN的结果不仅在视觉上具有明显清晰的边缘，而且在六个有代表性的客观评价指标的综合评估上也优于其他对比算法。