基于红外焦平面阵列的凝视成像技术已经成为当今红外成像应用的主要方向。与红外单元器件系统相比,红外焦平面阵列像元的灵敏度高,能够获取更多的场景细节信息以及更高的可变帧速率。但是阵列像元的非均匀响应严重限制了红外成像系统的温度分辨率和成像信噪比,因此对红外焦平面进行非均匀性校正,已经成为红外成像领域的重要研究内容之一。目前非均匀性校正方法主要有两类:基于红外参考辐射源的非均匀性校正算法和基于场景的自适应校正方法。基于参考源的非均匀校正方法计算效率高适合于实时应用,但其参数标定需要停机进行并且难以解决场景变换所致的参数漂移问题,而基于场景的自适应校正方法可以随场景的变化实时调整校正参数,适应能力更强,但其较大的计算量是限制其应用的主要障碍。为此,本文主要探索用以提高基于场景自适应校正方法的精度和计算效率的技术方法。本文首先介绍了在图像去噪领域取得明显成效的全变分模型,并分析了双边全变分模型和非局部全变分模型。前者的去噪效果,后者的处理速度仍有不足。本文将非局部全变分模型中的分块思想引入到双边全变分模型中,提出分块双边全变分模型。实验结果表明新模型能够取得更好的去噪效果,PSNR数值提高了1dB左右,处理速度上较非局部全变分模型提升了5倍。随后,本文介绍了经典的神经网络校正法,该方法无需人为进行校正参数的定标,但是校正后的红外图像细节信息丢失严重。而分块双边全变分正则项能够在平滑红外图像非均匀性噪声的同时很好地保留图像的细节信息。本文将分块双边全变分正则项引入到神经网络校正方法中,实验结果表明新算法在PSNR指标上提高了2dB,具有更高的红外图像校正精度和更好的细节保持能力。此外,本文提出一种新的去鬼影自适应策略,该策略能够有效地解决已知去鬼影方法由于门限策略导致收敛速度的变慢问题。针对场景自适应校正算法计算量大无法实现实时处理的问题。本文首先将基于分块双边全变分的神经网络校正算法按实现流程进行步骤分解,通过OpenCL编程标准实现算法各步骤在GPU设备上的并行化,并通过缓存复用数据到局部存储器、缓存固定模板数据到常量存储器,以及合并内核函数等方法实现并行算法的优化。实验结果表明基于分块双边全变分的神经网络校正算法经过CPU+GPU异构加速后的处理速度与CPU串行模式相比,提升了20多倍。并行算法每秒能够校正20-30帧红外图像,基本满足红外图像实时校正处理的需求。