对车载红外图像进行深度估计，可应用于车辆的夜间辅助驾驶系统（Driver Assistant Systems,DAS），本文提出了一种新型的神经网络结构来估计红外图像的深度。受景物分类思想的启发，将传统深度估计方法中的回归问题转化为分类问题。首先，对红外图像进行归一化预处理，并将深度图置于自然对数空间对距离进行远近分类。其次，设计了一种新型的金字塔输入残差神经网络（PyramidResidual Neural Networks, PRN），将红外图像以金字塔型结构作为网络输入，网络结构分为粗略特征提取和精细特征提取两部分。最后，将全连接层改为全卷积层，大大减少了网络中的参数个数，降低计算复杂度。金字塔型结构的输入使得网络能够多尺度提取特征，这使得估计出的深度图场景中的对象轮廓比同一网络单一红外图像输入估计出的景物轮廓更清晰。此外，通过计算错误和准确性评价指标，证明本文的提出方法能够很好地估计红外图像的深度，对比实验验证了本文方法更具优势。

为了将红外图像中所包含的信息更加友好、直观地呈现给用户, 改善用户对于红外图像的理解效果, 针对车载红外图像的特点, 提出了一种基于随机森林分类器和超像素分割算法相结合的车载红外图像彩色化算法。首先对原图的各个像素点进行特征提取, 然后训练随机森林分类器, 使它能够对待测试图像的各个像素点进行正确的分类。再使用超像素分割与直方图统计相结合的方法对分类结果图像进行优化。最后将优化后的分类结果图像转换到 HSV色彩空间进行对应的色彩传递。通过实验证明该方法能够在很好的对红外图像进行彩色化处理的同时, 保证色彩传递的正确性和实时性。