红外被动测距系统自身不向外辐射能量,仅以被动的形式接受目标的红外辐射,再通过一定的算法将接收到的红外辐射转换为距离信息,较激光、声呐等主动测距系统而言,红外被动测距系统具有较强的隐蔽性和抗干扰性,因此有着很高的军事应用价值。到目前为止,研究者们基于不同的理论方法提出了多种红外被动测距模型,但现有的红外被动测距方法大都采用了机理建模的方法,并且只采用了单一的模型,这些方法虽然有着较强的理论性,但计算较为复杂,而且应用条件比较苛刻,而数据驱动的建模方法大多数采用了机器学习等相关理论,能够根据实际获取到的数据自动的建立输入输出的映射关系,近些年来人工智能领域和计算机技术取得了快速发展,出现了多种多样的高效的智能算法,这也为红外被动测距模型的建立和优化提供了新的思路。本文主要从数据驱动的角度来研究红外被动测距系统建模与优化的问题。首先对红外辐射的特性及其与大气的相互作用进行了一定的分析,并利用大气辐射传输软件MODTRAN建立了3.5μm~4.0μm,4.5μm~4.7μm以及9μm~11μm三个波段不同大气模型、天顶角以及距离下的大气透过率数据库。其次介绍了红外被动测距系统的原理以及红外探测系统的光学和传感器参数,然后推导了红外探测器输出电压、目标距离以及目标辐射亮度之间的关系式,并利用该关系式以及之前生成的大气透过率数据库仿真生成了三个波段的探测器输出电压数据集。接着分析了数据驱动建模方法的特点以及机器学习理论中的集成学习方法,并利用生成的三个波段电压数据集分别建立了GBDT、xgboost、adaboost双波段集成学习测距模型以及elman神经网络测距模型,最后分别采用不同的方式对多个模型进行了融合。为了实现更高精度的预测,本文还提出了一种分类-回归融合建模方法,首先将训练数据按距离分段,然后建立距离段的LightGBM分类模型,对于具体的距离段再按照前面的模型融合方式建立回归模型,接着采用分类-回归融合建模方法建立了三波段被动测距模型,结果表明这种分类-回归的方法确实能够提升模型的预测精度。本文在最后对所有模型单次预测所花费的时间进行了对比分析,并讨论了gbdt和adaboost模型参数的提取和模型的C语言实现。