针对目标检测过程中存在遮挡导致的漏检和误检问题, 提出一种融合图像修复模块的**目标检测算法, 通过深度学习实现**目标的自动识别, 再结合图像修复对遮挡目标实现图像增强。对于目标检测模块, 在YOLOv4的基础上添加了卷积注意力机制, 来增强对目标识别的敏感程度以及网络的特征提取能力; 并且采用交叉迭代批量标准层, 提高模型的训练效率。图像修复模块是基于生成对抗网络设计的一种双生成器模型, 考虑到目标图像轮廓的完整性对图像的修复和目标的检测都有一定的影响, 增加了一个边缘生成网络, 图像修复模块旨在还原目标被遮挡的部位。模拟结果表明, 融合了图像修复模块的目标检测算法对遮挡目标的检测精度达到了79.63%, 较好地解决了遮挡情况下的漏检和误检问题。

基于SVM的作战目标识别具有速度快、鲁棒性好的特点,其中图像特征选取是准确识别的关键。针对野战环境下目标图像所受干扰因素复杂的问题,提出复合式特征选取方法。对获取的可见光和红外图像,首先通过图像评价筛选有判别价值的目标图像,基于Soft方法进行图像分割,接着提取不变矩特征,最后进行特征融合,为SVM提供可靠的特征向量。

**目标识别是目标检测领域中的一大研究方向，这对于提前侦测敌情和精准打击目标具有重要的意义，目前，主流的**目标识别算法主要是运用YOLO,Fast RCNN等非监督深度学习网络模型，这些方式都是通过将手动标注的数据集输入到网络中，经过处理输出结果，但是数据集数量总是有限的，在精度上有所欠缺，泛化能力也不足。针对这种问题，提出了基于非监督网络的**目标识别算法，可以通过生成式对抗网络(GAN)有效地解决数据集不足以及精度不够的问题。

**目标分类是一个重要的研究方向。在复杂背景下不同的**目标的相似度较高, 使得基于传统视觉特征的**目标的分类精度不高。提出一种基于改进典型相关分析的局部二值模式(LBP)和分层梯度方向直方图相结合的**目标分类方法。首先提取**目标的LBP和PHOG特征; 然后利用改进的典型相关分析将LBP与PHOG特征相融合; 最后利用K-最近邻分类器对图像进行分类。该方法的优点在于LBP与PHOG相融合的特征有比较好的分类能力和鲁棒性。在**目标数据集上的分类结果表明, 该方法是有效可行的。该方法为**目标识别系统提供了技术参考。

自动目标识别(ATR)技术一直是**领域中急需解决的重点和难点。本文设计并实现了一种新的面向**目标识别应用的 DRFCN深度网络。首先, 在 DRPN部分通过卷积模块稠密连接的方式, 复用深度网络模型中每一层的特征, 实现高质量的目标采样区域的提取; 其次, 在 DFCN部分通过融合高低层次特征图语义特征信息, 实现采样区域目标类别和位置信息的预测; 最后, 给出了 DRFCN深度网络模型结构以及参数训练方法。与此同时, 进一步对 DRFCN算法开展了实验分析与讨论: 1) 基于 PASCAL VOC数据集进行对比实验, 结果表明, 由于采用卷积模块稠密连接的方法, 在目标识别平均准确率、实时性和深度网络模型大小方面, DRFCN算法均明显优于已有基于深度学习的目标识别算法; 同时, 验证了 DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。 2) 利用自建**目标数据集进行实验, 结果表明, DRFCN算法在准确率和实时性上满足**目标识别任务。

随着红外探测和精确制导技术的发展, 红外隐身成为提高军用目标生存力和战斗力的关键技术之一, 红外辐射特征研究作为一种基础研究在红外隐身技术中占有重要作用。阐述了红外辐射特征研究在红外隐身技术中的重要意义以及研究方法, 探讨了其主要研究内容, 介绍和分析了国内外在红外辐射特征上的研究现状。在此基础上, 展望了未来红外辐射特征研究的发展趋势。