随着近年来低空区域的不断开放,无人机无序“黑飞”的现象越来越突出,低空区域的安全保障成了研究热点。针对现有红外成像无人机监视系统中目标图像细节信息缺失、对比度差等问题,本文主要开展低空红外监视系统图像质量提升关键技术研究,利用深度学习特征表达方面的能力,研究并实现了基于深度学习的红外图像超分辨率重建和细节对比度增强等算法。本文主要完成工作如下。（1）针对红外探测器面阵小和灵敏度低等导致红外图像分辨率降低的问题,本文研究并实现了一种基于注意力判别器的红外图像超分辨率重建方法。基于生成对抗架构,生成器主体结构采用残差密集连接网络,在判别器中引入U-Net与注意力模块,其中注意力模块为U-Net编码阶段的特征图生成注意力权重,为目标及轮廓区域赋予更多的注意力,降低U-Net编码阶段冗余特征权重,由此降低了计算及参数消耗,为生成器提供像素级反馈,强化图像的轮廓及较粗粒度细节特征;采用多尺度判别器结构,对输入特征进行下采样并输入与注意力判别器,进一步促进网络对细节特征的学习,提升网络的更细粒度细节生成能力。实验结果表明,多尺度注意力判别器能够有效学习图像中的不同粒度特征,从而提升生成器网络的细节学习能力,提升超分重建图像的细节表达能力。（2）针对红外图像采集过程中由于大气衰减、红外探测器响应不均导致的能量衰减进而造成的红外图像对比度下降、细节缺失和人眼观测视觉体验度差等问题,本文研究并实现了基于嵌套拉普拉斯金字塔的红外图像对比度增强方法。基于高低频特征分离的思想,利用拉普拉斯金字塔变换实现对输入图像轮廓特征与主体目标的分离,得到各级拉普拉斯网络的输入,分别使用基于堆叠多尺度残差拉普拉斯模块的类UNet编码-解码网络及其中所包含的堆叠多尺度残差拉普拉斯模块从空间、特征方向对图像的对比度进行增强;为了提升网络模型对噪声的抑制能力,在第一拉普拉斯网络与第二拉普拉斯网络的跳跃连接阶段引入了瓶颈注意力模块,并实现了对噪声的有效抑制。通过多组图像测试实验,证明了本章方法在图像整体对比度拉伸和目标增强方面的优越性,有效提升了红外图像的视觉质量。（3）为了验证本文所实现的红外图像超分辨率重建方法及红外图像对比度增强方法的有效性,利用研制的低空红外监视系统,在室外条件下采集了无人机场景红外图像,并使用PyQt设计并完成了低空红外监视系统图像质量提升软件,验证了本文前述章节所实现的红外图像超分辨率重建算法和红外图像对比度增强算法的有效性。