在复杂对抗环境中,目标和干扰成像过程是从混叠的点目标状态逐渐分离到呈现出外观特征。对红外目标的有效识别是实现精确打击的重要因素。从混叠状态尽早识别出目标和干扰的数目位置可为红外目标的识别提供更早期的信息,提高军事打击能力。本文研究了红外目标的抗人工干扰识别算法,主要工作如下:针对对抗初期,目标和干扰在像面混叠,无法分辨数目和位置信息的问题,本文提出了基于多帧粗精结合的空间邻近目标超分辨算法。该算法中,粗估计模块采用频域分析方法估计目标块帧间偏移,对插值得到的高分辨率目标块对齐并叠加,依据叠加后的能量峰估计目标数目和位置。精估计模块依据成像模型构建超分辨函数,以粗估计的结果为约束,采用量子粒子群优化算法估计精确位置。实验结果证明,该算法具备优异的超分辨性能,能为抗干扰任务提供早期的信息。针对目前抗干扰算法对运动模式挖掘不足的问题,本文提出了基于检测级联-运动特征分析-外观时序分析（DC-1DCNN-CLSTM）网络的抗干扰算法。算法通过检测级联网络提取轨迹管道,利用动力学特征和外观特征的时序变化表达目标和干扰运动模式的差异,并由此设计两个网络分支。1DCNN分支网络对动力学特征进行分析,CLSTM分支网络对外观特征的时序变化进行分析,将两个分支网络的分类概率融合作为最终的分类结果。实验结果证明,该算法在抗干扰任务中分类准确率可达到93.3%。针对检测级联网络中存在的单帧候选目标提取和帧间级联性能严重制约抗干扰能力的问题,本文提出了端到端的基于时空渐进式学习的抗干扰算法。算法从粗尺度的建议框开始,采用渐进式学习的思想,利用空间细化模块完成检测和级联任务,结合时序拓展模块,提取更多时序信息,提高分类准确率。本文采用注意力机制突出目标和干扰的时空特征和运动特征,进一步提高抗干扰的性能。实验结果证明,该算法可达到96.3%的分类准确率,具备优异的抗干扰性能。