针对实测红外图像数据集构建难度大、测试制作成本高的问题，本文提出了一种非成对训练样本条件下的生成对抗网络VTIGAN，实现不同场景下可见光到红外（Visible-to-Infrared，VTI）的高质量图像转换。VTIGAN在transformer模块基础引入了一个新的生成器学习图像内容映射关系，通过重组目标风格特性实现图像风格转换，同时使用PathGAN作为判别器强化模型的图像细节信息生成能力，最后联合对抗损失、多层对比损失、风格相似性损失、同一性损失四种损失函数对模型训练过程进行约束。将VTIGAN与其他主流算法在可见光-红外数据集上进行了广泛的对比实验，同时使用峰值信噪比、结构相似度和Frechét inception distance 3个评价指标进行定量评估和主观定性评价。实验结果表明，VTIGAN相比于次优的UGATIT算法在PSNR，SSIM和FID三个指标上分别提升了3.1%，2.8%和11.3%，有效实现了非成对训练样本条件下可见光到红外的图像转换，且对于复杂场景的抗干扰能力更强，生成的红外图像清晰度高、细节特征完整、真实感强。

针对复杂背景下红外弱小目标难以准确快速检测的问题，提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先，为提高检测速度，重新设计了特征提取部分的网络结构，并在输入层后使用Focus模块以减少推理时间；其次，为增强检测能力，特征融合部分采用路径聚合网络，添加了改进的感受野增强模块；最后，目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明，相较于经典轻量化模型YOLOv3-tiny，文中提出的模型召回率提升了7.57%，平均检测精度提高了1.92%，CPU推理速度提升了36.1%，可较好地兼顾精度和速度，计算量与参数量明显减少，模型尺寸压缩至7.27 MB，减少了对硬件平台运算能力的依赖，实现了红外弱小目标准确又快速的检测。

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性，提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点，在YOLO检测框架的基础上，通过减少下采样次数，结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络，同时调整检测输出层数量，通过信息复用提高特征利用效率。实验结果表明，本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度，精度和召回率分别为91.9%和94.6%，平均准确率(AP)值达到92.6%，检测速度达到170 f/s，满足实际应用中实时检测的需求。