红外成像具有探测距离远、隐蔽性高以及全天候工作等优势,常被应用于空中各类目标的检测与识别任务。由于空中红外目标图像常存在云层或各类地物背景的干扰,背景较为复杂,目标提取难度大。与此同时,空中目标识别的过程中存在许多影响因素,如红外图像的各类噪声、空中红外典型目标样本数据较少、各型号飞机几何外形差距小等,这些因素也将导致识别精度与识别速度下降。本文主要针对上述问题进行以下三个方面的研究:针对红外图像易受到各类噪声污染的问题,重点研究了空中红外典型目标图像的去噪方法。针对三维块匹配滤波（BM3D）算法对于相关噪声去除能力低的问题,结合谱系数方差的精确计算方法,在空中红外典型目标图像上实现了基于谱系数方差的BM3D改进算法,并采用快速计算方法对算法加速。在自建空中红外目标数据集与真实空中红外目标数据集上进行多种噪声的去噪实验,证明了算法相比于NL-Means算法和BM3D算法对于高斯噪声具有更好的去噪能力,对于相关噪声的去除效果远远优于上述两种算法。针对复杂背景下的空中红外典型目标图像,重点研究了基于混合局部模糊区域边缘的主动轮廓模型对空中红外典型目标图像的分割。本文在FEAC模型的基础上加入图像信息进行区域能量计算和边缘能量计算,通过计算新旧能量的能量差更新演化过程的隶属度,能够很好地分割多相图像,同时提高了计算效率。在空中红外典型目标样本上进行实验,验证了模型对于复杂背景下的空中典型红外目标图像有很好的分割结果,对于被不同类型噪声污染的图像以及不同初始化曲线位置均具有较好的鲁棒性。针对空中红外典型目标样本数据较少的问题,本文基于目标的形状特性,提取了目标的几何特征和不变矩特征,实现了对5类飞机目标红外图像的识别分类。通过对空中红外典型目标二值化图像的分析,提取空中目标的3类几何特征与2类不变矩特征。在Softmax模型中利用此5种特征实现对5种型号飞机的识别,其平均测试精度可以达到87.8%,结合训练时间与测试时间来看,相较于SVM和BP神经网络,Softmax模型能够更好地完成空中红外典型目标识别任务。实验结果表明,经由图像去噪、图像分割、特征提取和Softmax模型识别分类这一流程,能够很好地实现对复杂背景下空中红外典型目标的识别。