红外多光谱成像与单波段相比具有能够同时探测目标的光谱和几何特征的优势。无人平台具备成本低及持续行动力强等优势,可在海、陆、空等多个领域执行检测、搜救、安防、巡线等任务。因此无人平台的红外多光谱成像是目前最具应用潜力的光电载荷,可在遥感地质勘测、森林监护、农业应用和海洋研究等领域得到广泛应用。随着应用的深入,人们对红外多光谱成像的空间-光谱-时间分辨率提出了更高的要求。本文重点研究了基于双棱镜计算编码的无人平台红外中波多光谱成像关键技术,主要完成工作如下。(1)针对传统多光谱成像技术不能兼顾较高空间和光谱分辨率且成像组件体积较大不适用于无人平台的问题,研究并实现了一种基于双棱镜计算编码的无人平台红外中波多光谱成像技术。首先,设计循环S矩阵作为编码模板,对分光后的多光谱图像进行编码调制;然后添加反向放置的棱镜消除色散位移,用红外面阵探测器采集图谱混叠图像;最后,采用多尺度正则化Richardson-Lucy重构方法对图谱混叠图像进行图像重构获取红外多光谱图像。通过实验可验证光学设计方案的可行性及该技术能够同时满足较高的光谱-空间分辨率,其光谱分辨率为100nm,获取图像的PSNR值均大于25dB。(2)针对无人平台对数据刷新率要求较高,而传统的压缩感知重构方法速度慢成像帧频低导致目标漏检的问题,深入研究了基于深度学习的单波段和多光谱重构方法。在单波段重构中对基于卷积神经网络的重构方法(ReconNet)进行改进,设计并实现了一种基于残差网络的单波段高精度实时图像重构方法。首先,对非线性映射进行凸优化约束得到质量相对提高的初始重构图像;然后,采用残差网络逐步缩小真实图像与初始重构图像的差距获得精确的单波段重构图像。同时,在多光谱重构中实现了基于自编码器的多光谱快速图像重构。通过多组实验结果可以看出本文所提方法在重构图像质量和速度方面均优于其他方法,自编码网络在重构精度上也具有优越性。(3)针对重构的单谱段能量低且红外图像高背景低反差导致红外图像分辨率较低的问题,深入剖析基于增强深度残差网络的超分辨率重建(EDSR)和基于深度卷积生成对抗网络(DCGAN)的图像细节增强,设计并实现了红外图像的细节超分辨率重建的新方法。首先,消除EDSR的冗余卷积层以减少模型参数;其次,扩宽其激活通道以获取图像低级特征;然后,加入权重归一化以降低深度网络的训练难度;最后,利用DCGAN对原始图像进行细节增强后作为高分辨率图像训练改进的EDSR,实现红外图像端对端的超分辨率细节重建。多组实验结果表明,本文的方法相比其他方法,超分辨率重建后的红外图像结果轮廓更清晰,细节更丰富,畸变更小。