尽管红外成像技术的发展十分迅速,应用的领域非常广泛,成像图像的分辨率还是很低。现阶段红外焦平面阵列分辨率大多为640x512以下,不仅不能满足人眼对细节丰富的高分辨率图像的需求,而且无法满足成像显示器1K、2K分辨率的显示需要,因此迫切需要采取措施提高红外图像的分辨率。图像插值是提高分辨率最简单的措施,当图像被放大到成像显示器的分辨率后,由于没有新信息引入从而造成结果图像细节模糊。通过增加探测器阵列密度及阵列尺寸的方式去提升分辨率不仅增加成本且不适用于大尺度放大的情况。所以本文聚焦于超分辨率重建技术,以生成对抗网络为切入点,研究了基于生成对抗网络的红外图像超分辨率重建技术,具体内容如下:（1）基于ESRGAN改进的红外图像超分辨率算法。针对目前ESRGAN算法在红外超分辨率重建任务中存在的结果图像高频细节不足、产生“伪影”和客观评价指标不能很好反映图像重建质量的问题,提出了RCAGAN算法。通过该算法重建得到的图像,不仅视觉质量好于ESRGAN在内的常用超分辨率模型,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14、室外采集数据集上分别达到了30.86d B/0.8781、28.97d B/0.8104、29.76d B/0.8385,高于现阶段常用的超分辨率模型,并且比ESRGAN算法的指标高了3.02d B/0.1092、2.68d B/0.1199和2.58d B/0.0934;得到了RCAGAN算法与常用的超分算法相比是更好算法的结论。（2）基于模糊核生成对抗红外图像超分辨率算法。针对“理想”降尺度核和实际降尺度核不相同造成重建图像质量差的问题,提出一个新的数据集制作模型Kernel SR,并在此模型的基础上,构建了一个新的红外超分辨率样本库,常用的超分辨率模型在这个样本库上有良好表现也可以泛化到实际场景。通过该模型重建得到的图像,不仅视觉质量好于常用的超分辨率模型（Kernel GAN+不同算法）,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14和红外超分辨率样本库中别达到了30.58d B/0.8847、29.94d B/0.8167和30.17d B/0.8627,高于现阶段最好的基于模糊核的超分辨率模型（Kernel GAN+ESRGAN）4.23d B/0.2036、3.12d B/0.3029、5.44d B/0.3076。得出了提出的超分辨率模型是更好模型的结论。虽然当前版本的红外图像样本库仅使用三个相机构建,但训练后的超分辨率模型对其他类型的摄像头设备捕获的红外图像表现出良好的泛化能力。