在边境管控以及部分军事行动中,对重点区域的监控都是人工作业来完成。现有的小型侦察设备集成度低、体积庞大,且目标需要人的判读,不能满足实用需求。因此,设计一套便携式且可自动实现目标检测的全天候侦察监视系统对于增强对重要目标区域管控能力、有效获取战场信息具有十分重要的意义。基于红外信号的便携式侦察监视系统的核心是从红外信号中实时检测出行人目标,深度学习目标检测算法在速度与准确率上都有着突出表现,这为侦察监视系统中的红外行人检测提供了思路。本文工作包含以下几个方面的内容:研究了红外信号行人检测方法,针对边防管控及军事行动特殊背景下的红外行人检测任务,提出了基于改进的YOLOv3模型实现红外行人进行检测的方法,使用k均值聚类的方法重构模型的锚点框结构,引入行人检测中心位置差异重新设计模型的损失函数。对于主动红外成像及红外热成像两种不同的红外图像特点,结合侦察监视系统部署的特殊环境,采集制作专用的红外数据集。红外热成像对于目标有部分遮挡的情况具有良好的识别效果,但成像分辨率过低因而不利于行人目标检测,为解此问题本文通过实验对比了基于插值与基于学习的图像超分辨率算法在红外热成像数据上的效果,提出了使用基于SRGAN的方法实现红外热图的超分辨率处理。本文设计并实现了一套可全天候工作的侦察监视系统,从硬件层面设实现了集信号采集、传输、处理于一体的硬件平台,基于此平台对算法检测效果进行了测试。实验表明本文提出的算法对红外行人检测的m AP指标高于Fast RCNN等目标检测算法,且高于YOLOv3算法近2%。系统在夜间环境下可实现对重要目标区域的行人入侵等侦测,能满足侦察监视的实际需求。