军事领域中，图像制导一直是一个研究热点。而红外相机由于可以全天候工作，一直得到广泛应用。图像制导过程中，一个关键的问题就是如何从图像中捕获预定的目标。传统的空对地导弹中，很多是由飞行员手动选择目标，然后由图像跟踪系统完成目标的跟踪，以完成制导任务。近年来，随着算法和硬件的发展，对于自动捕获和识别目标的需求日渐旺盛。空对地红外导弹的工作大致分为三个阶段，第一阶段，目标距离很远，在图像中呈亮点状，这一阶段，需要捕获系统捕获图像中的亮点状小目标。第二阶段，目标距离稍近，可以分辨大致形状，这时，要求捕获系统通过形状来识别指定目标。第三阶段，目标很近，充满视场，这时要求识别目标的关键部位。本文对前两个阶段的目标捕获和识别算法进行研究。本文首先分析了现有的常用红外目标捕获和识别算法，并通过实验验证其性能。经过分析和实验发现，传统的红外小目标捕获方法中，Top-hat算子无法滤除图像中的亮线，而且对椒盐噪声较为敏感；传统的基于梯度下降判定的方法方向性过强，在某些情况下会造成较多的虚警；而局部灰度特性判别的方法计算量较大，不适合实时应用。传统形状识别方法中，不变矩计算量小，但容易造成干扰物的目标间的混淆；直接使用神经网络对旋转目标的二值图像进行识别，因为输入维数过高且数据复杂，识别率较低。针对远距离红外小目标的捕获问题，本文提出了一种快速捕获的方法。通过对红外小目标特性的分析，本文分别得到了空域和时域上的对红外目标的判据。利用这种判据，本文设计了一种快速算法，算法首先通过图像的分块和极大值的预选，得到目标中心的可能位置，然后进行局部峰值特性的判定。针对椒盐噪声可能导致的虚警问题，本文提出了一种八邻域第k值的椒盐噪声滤除方法，该方法在目标宽度大于1像素的情况下，能有效滤除椒盐噪声。最后，通过时域上的滤波，进一步滤除噪声造成的假目标。针对中距离的红外目标识别问题，本文提出了一种角度预估的双神经网络识别方法。该方法首先利用积分图像，快速地对图像进行局部自适应二值分割，然后对分割后的图像进行连通域标记。然后使用两个神经网络对各连通域的形状进行识别。第一个网络用于预估目标旋转的角度，第二个网络对使用预估角度反向旋转的目标进行识别。利用角度预估网络对非目标输出杂乱的特性，在识别物进入第二个网络之前预先滤除一部分负例。针对实际应用中样本一般较少且不完全准确的情况，本文提出了一种边缘随机生长消去的样本生成方法，使得在模板较少且不准确的情况下，识别精度仍能保持较高。