红外光谱可以反映目标红外辐射特性,但其非接触测量方式不可避免的受到环境等干扰因素的影响,造成目标识别与聚类的误判。本文在比较分析主成分分析（PCA）、去噪自编码器（DAE）和线性判别分析（LDA）特征提取方法的基础上,对三种方法提取的特征进行融合构建红外光谱特征向量,进而采用K-means和卷积神经网络分别对特征向量进行聚类,区分目标类型,最终建立一种红外光谱主元特征提取与目标聚类方法框架。主要内容包括:目标红外光谱测试及校准。使用FTIR光谱辐射计测量不同目标在不同温度、波长下的红外辐射亮度;分析干扰因素,研究目标红外辐射亮度光谱数据校准方法,获得不同目标不同温度下测量波段完整的光谱亮度数据曲线,为特征分析提取和聚类提供有效的数据基础。红外光谱主元特征向量提取。对光谱数据进行特征分析,首先构建光谱辐射亮度数据的特征向量,力求该向量可以充分包含目标红外亮度谱2-14μm波段的有效信息;然后研究主成分分析（PCA）方法、去噪自编码器（DAE）和线性判别方法（LDA）,分别提取光谱特征向量的主元特征,实现特征向量的降维,降低冗余度影响。基于特征向量融合的目标红外光谱聚类方法研究。PCA主要反映特征向量的低关联性特性,DAE具有尽量获取数据原始信息的特性,LDA可以反映不同标签目标的基本特性。通过有效融合三种方法提取的特征向量,既探寻数据原始本质又降低数据关联性,得到更全面包含红外光谱信息的一组特征向量。结合K-means方法,实现基于红外光谱特征向量的目标聚类。通过对实测黑体和某新型钢板涂层的红外光谱进行仿真,结果表明融合特征向量的K-means聚类方法得到的分类结果更准确。基于卷积神经网络的目标红外光谱特征向量聚类研究。为避免特征融合可能带来的冗余信息影响,提高分类准确度,引入卷积神经网络对数据表面特征自主研究,分层进行特征提取、映射,最终实现聚类。与K-means聚类仿真结果比较分析说明基于卷积神经网络对融合向量进行多层自适应特征向量提取,进而分类,可以更有效保留特征向量中的独立主元特征,使分类更为准确。基于本文内容进行MATLAB app designer软件系统设计,实现样本目标文件的选择、目标数据的特征提取以及对目标不同聚类方法的结果显示。设计采用图形方式操作、显示目标特征提取及聚类方法分析结果的计算机操作界面,实现本文研究方法,更具实用性。