在红外成像过程中，目标边缘模糊化是影响红外目标识别效果的关键因素，也是红外目标识别算法的研究重点，故在光谱图像中合理补偿目标几何特征信息成为研究热点之一。结合包含目标几何特征信息的包围盒作为约束条件，对红外光谱图像进行分层限定滤波，降低原有图像数据中目标几何外形数据的丢失，提高目标可识别性。设计了在包围盒约束条件下的光谱聚类算法，设置参数η表征待测军用车辆目标的几何信息，设置参数m表征待测军用车辆目标的光谱特征信息。实验采用TEL-1000-MW型红外成像光谱仪获取多光谱图像，通过改变m和η值调整光谱特征值个数与包围盒范围，从而获得不同的目标识别图像。并与传统方法对同一幅红外目标图像的识别效果相比较，结果发现采用包围盒约束的待测目标图像几何边界信息保留效果明显优于传统方法，当m=10、η=0.7时，红外图像的目标识别效果最好，同时算法收敛速度也最优。由此可见，该算法在提高红外目标识别能力、避免误判伪目标和漏检目标方面具有很高的实用价值。

针对视频数据利用低效和光测设备目标识别能力较弱的问题，提出一种使用海量视频数据建立数据库进而构建红外目标识别系统的方法。首先设计快速红外目标检测算法，提取目标并分类建立数据库；然后结合特定任务建立一组较匹配且结构不同的卷积神经网络，并提出基于测试准确度均值统计分析和参数规模的选型策略，选出泛化能力较好且结构简单的卷积神经网络以及适当的训练轮数；最后加载优选模型及其参数作为分类器，与检测器结合实现红外目标特征事件实时检测分类。仿真结果表明，目标分类准确率均值可达95%以上，速率约为50 pixel/s。卷积神经网络结构的设计和选型策略有效，构建的系统可以满足红外目标识别的精度和实时性要求。