红外成像技术依靠其隐蔽性强、昼夜可视、反映温度特性等优势,成为了目标探测和识别的重要手段。随着科技的发展,遥感探测器的空间分辨率和光谱分辨率得到了进一步提升。但是由于红外衍射限和硬件成本的限制,红外图像的分辨率普遍偏低、噪声较大、红外小目标边缘模糊、纹理不清晰,为红外目标的精准检测和识别带来了巨大的困难。针对此问题,本文提出了基于学习的红外遥感超分辨率目标识别(Super Resolution Object Recognition,SROR)算法。首先利用软件技术提高红外遥感图像的分辨率,再用目标识别算法对重建后的小目标进行检测识别。为了提升红外遥感图像的重建结果,利用传感器下采样仿真模型模拟红外图像退化过程,将退化后的红外数据用于训练超分辨率网络WDSR。为了提升红外小目标检测的准确度,改进了Faster RCNN,利用迁移学习进行训练,改进后的网络对小目标检测效果明显提升。通过将超分辨率重建和目标识别网络的结合,目标的检测准确度达到88.59%,召回率达到了81.45%。本轮文主要的工作和创新之处如下:1)提出了基于稀疏编码的红外显著区域超分辨率重建算法(Sr SR)。本文基于稀疏编码的原理,改进特征提取算子,利用视觉显著度分割出显著区域选择性地进行超分辨率重建,并将非显著区域利用高斯插值进行滤波。实验结果显示重建后的图像显著区域细节增强,背景噪声得到了抑制。在效率方面,减少了背景区域的重建时间,重建速度得到明显提升。2)提出模拟传感器采样机训练WDSR的方法ST-WDSR。假设高分辨率图像为真实场景,本文利用传感器下采样仿真模型将高分辨率图像进行下采样,采样方式包括单采样和过采样,采样后的图像代替双三次插值的图像输入到深度网络中进行训练。并基于遥感定量化提出了目标特性定量评价方法,利用哨兵2A多光谱成像仪(MSI)拍摄的第8波段(中心波长0.862μm,分辨率10 m)和8A波段(中心波长0.842μm,分辨率20 m)图像中心波长相似、分辨率不同的特征,将8A图像的重建结果和8波段进行定量比较分析。实验结果显示ST-WDSR重建图像中目标的几何特性和辐射特性的最接近第8波段图像,近似程度比WDSR分别增加了8.9%和14%。有利于后续目标检测和识别。3)利用过采样和常规采样方式改变红外图像的分辨率,研究目标特性的变化规律。利用传感器采样仿真模型,将高分辨率的目标(汽车和轮船)图像进行采样实验,统计目标的辐射特性、几何特性和Hu不变矩特征。实验证实汽车目标在分辨低于0.7 m时几何特性开始反生变化。辐射特性变化缓慢,均值降低。对于大型船舶目标(长度百米级),当分辨率低于12 m时,几何特性变化超过10%,当分辨率低于20 m时很难确定船舶具体形状,几何变化趋向于点光源。辐射特性变化明显,均值和标准差都呈现下降趋势。Hu不变矩的M1、M2不变矩的尺度保持性优于M3矩,在分辨率低于13 m时Hu矩发生明显变化。4)提出了红外遥感超分辨率目标识别算法(SROR)。模型主要由两部分组成,第一部分是预处理模块,采用“分割——超分——分割”的结构,对图像进行裁剪和超分辨率重建。第二部分是目标识别模块,为了提升Faster RCNN对小目标的检测效果,将残差网络中的低层的特征也作为RPN的共享特征,避免了因为感受野扩大和池化层降维对小目标特征的影响,并提升了检测网络的尺度不变性。利用soft-NMS方法代替非极大值抑制,不断更新置信阈值,避免了将聚集目标的重叠框作为重复框删除的问题。实验证明,SROR可以精准的检测出10个像素内的红外小目标。相比于红外目标训练的Faster R-CNN准确率提升了5.33%,召回率提升了12.22%。特别是小(小于20个像元)目标识别的召回率相比于Faster R-CNN高出13.25%。