光电图像非等信息转换,可利用任意场景下的可见光图像资源,在一定条件下转换生成对应的红外图像资源,从而为红外场景仿真和红外特性分析领域提供有效数据源。非等信息指的是非对等信息,由于非等信息属于不对称信息,转换存在很大难度,因此本文就基于条件生成对抗网络的光电图像非等信息转换这一方法进行研究,具体分为以下三个部分。(1)介绍了现有的红外图像生成方法,针对传统生成方法存在的物理模型复杂、生成图像真实度不够等问题,结合深度学习在信息转换领域的广泛应用以及生成对抗网络中对抗机制的引入,确定了使用生成对抗网络进行光电图像信息转换的研究思路。(2)针对现有图像转换方法存在的问题,引入条件生成对抗网络。选择合适的生成网络和判别网络结构,对已有数据集中可见光和红外图像数据对进行训练,得到收敛的网络模型。使用生成模型,以可见光图像作为输入条件,初步生成对应的红外图像。结果显示,该生成图像可详细反映场景红外辐射分布特性。(3)针对网络生成红外图像所存在的局限性,同时为使复杂场景转换结果的纹理细节更为丰富,对网络生成结果引入纹理细节优化。使用可见光纹理优化和目标灰度差分布图优化两种优化方法进行纹理细节优化,实验结果显示,对生成结果使用灰度差分布的纹理细节优化,优化结果的纹理细节更为精细,峰值信噪比更高,转换真实度更高。综上,本文使用条件生成对抗网络的方法,将可见光图像进行转换和后处理可得到其对应的红外图像。可将本文所述方法用于红外图像资源的扩充,这对于红外场景仿真、目标追踪、红外目标检测等技术具有重大意义。