红外成像制导是利用目标和周围背景间的热辐射差，形成目标和周围背景的图像，进而实现制导功能。红外成像导引头具有制导精度高、隐蔽性好、抗干扰能力强等优点，已被国外众多精确制导弹药采用，相关技术呈现持续发展的态势。
国外空对空导弹、空对面导弹、防空导弹、反坦克导弹、精确制导炸弹等均有型号采用红外成像导引头。
AIM-9X导弹属于“响尾蛇”系列近程空空导弹，除装备与AIM-9M相同的火箭发动机、战斗部以及有源光学目标探测器外，还装备焦平面阵列红外成像导引头，可用于空对空作战和打击地面目标。
AIM-9X导弹由雷声技术公司研制，采用ATM MK-139固体燃料火箭发动机；长度3.02米，直径0.13米，翼展0.45米，发射重量84.37千克；战斗部为破片杀伤战斗部。
图1 AIM-9X导弹
“先进近程空对空导弹”（ASRAAM，又称“阿斯拉姆”导弹）由MBDA公司研制，可供“台风”战斗机、F/A-18战斗机等空中平台用于视距内空对空作战，被英国、澳大利亚等国空军装备。
“阿斯拉姆”导弹重量88千克，长度2.9米，直径166毫米，射程超过25千米；采用焦平面阵列红外成像导引头，实现较远目标捕获距离；采用撞击与激光近炸引信，高效破片杀伤战斗部；低信号火箭发动机直径为166毫米。
图2 “阿斯拉姆”导弹
图3 AGM-65G“小牛”空对面导弹
土耳其Roketsan公司正在研制SOM-J防区外空对面导弹，用于打击防卫严密的陆地和海上目标。
Roketsan公司设想，SOM-J导弹长度3.6米，重量540千克，射程275千米，速度为高亚声速；高爆破片穿甲战斗部重量140千克；采用红外成像导引头；可搭载于F-35、F-16等战斗机。
图4 SOM-J空对面导弹
“蟒蛇-5”导弹由以色列拉斐尔公司研制，已经装备到“蜘蛛”防空系统用于防空作战，也可搭载到战斗机上用于空对空作战。
“蟒蛇-5”导弹重105千克，长3.1米，翼展64厘米，直径16厘米；采用双波段红外成像导引头、惯性导航系统、红外对抗系统、精密飞行控制算法以及先进计算机体系架构；具备目标锁定前和锁定后发射能力，以及复杂环境捕获小型低信号目标能力。
图5 “蟒蛇-5”导弹
“标枪”反坦克导弹由洛克希德·马丁公司、雷声导弹与防务公司组建的标枪合资企业研制，可单兵携带或平台安装，能够用于反坦克作战等不同作战任务。
“标枪”反坦克导弹采用串联破甲战斗部、航空喷气·洛克达因公司的固体燃料火箭发动机、红外成像导引头；发射重量22.1千克，长度1.2米，直径127毫米，射程2.5千米。
GBU-53/B“风暴破坏者”炸弹（曾被称为“小直径炸弹 II”）由雷声技术公司研制，属于空射型精确打击武器。
“风暴破坏者”炸弹长度176厘米，翼展168厘米，直径15厘米～18厘米，重量93千克；射程可达40海里；装备三模导引头，其中毫米波雷达模式可探测并跟踪目标，红外成像模式可增强目标识别与分类，半主动激光模式提升作战灵活性。
图7 “风暴破坏者”炸弹
按工作流程划分，红外成像导引头主要包含探测、识别、处理等关键技术。
以凝视红外成像探测技术为典型代表的红外成像探测技术采用大规模探测单元和凝视工作方式，能够连续累积目标辐射能量。此外，红外成像探测组件一般体积较小、重量较轻，在目标响应上又兼具图像分辨率高、灵敏度高、信息更新率高等诸多优点，适于对高速机动小目标、无人机集群、复杂地物背景中的运动目标或隐蔽目标成像。
为应对隐身飞机、红外干扰等装备与技术发展，红外焦平面探测器需要具备焦平面阵列的全数字化信息处理能力，有效降低数据压缩、特征提取以及数据链传输的复杂性; 同时，结合先进信号处理和信息融合算法的多色焦平面阵列计算成像技术，可大幅提高目标探测和识别能力；此外，目标分类识别的信号空间也已经由传统的波形特征识别、二维成像识别，向基于空间几何特征、多光谱特征、偏振特征等构成的多维空间综合识别方向发展。
综上，采用高空间分辨率成像、多光谱成像、偏振成像、多体制成像的高灵敏度多元探测器红外成像技术，发展双波段/多波段复合、自适应红外焦平面阵列，以此提高红外导引头全向作用能力和抗干扰能力是红外成像制导技术的重要发展趋势。
自动目标识别技术指对目标进行自动探测、识别与精确跟踪，支持精确制导弹药发射后自动寻的。自动目标识别技术主要基于人工神经网络、支持向量机或深度学习算法，朝着智能化水平的方向发展。
人工神经网络在组合计算方面所具备的巨大优势，可以有效实现对数据计算视觉和多传感器融合方法的快速优化。目前，基于人工神经网络的自动目标识别技术面临样本受限的问题，需要采集大量数据并开展大数据分析。
支持向量机技术是基于统计学习理论的机器学习算法，主要用于研究有限样本情况下的数据分析和模式识别问题，在解决复杂问题时无需付出庞大计算代价的优势。支持向量机的主要特点是具有模块化结构，通过选择不同的函数和优化方法完成不同的任务，克服人工神经网络中易出现的局部最优解问题，适于解决小样本、非线性、高维模式问题。
深度学习源于人工神经网络，是一种对深层人工神经网络进行有效训练的方法。目前，基于深度学习的自动目标识别技术仍然面临红外目标图像的数据源有限、多目标识别红外图像的复杂多变性等问题。
图像实时处理技术对来自红外成像探测系统的视频信号进行分析与甄别，并排除混杂在目标信号中的背景噪声和红外诱饵干扰，提取真实的目标信号，进而计算目标位置和命中点。一般分为红外图像预处理、红外图像实时检测、目标图像实时跟踪3项子技术。
红外图像预处理是为了削弱探测到的红外图像背景噪声。由于背景杂波对目标检测造成严重的干扰，所以需要着力研究红外图像的背景噪声抑制技术，主要包括时间域图像预处理方法、变换域图像预处理方法和空间域图像预处理方法。
红外图像实时检测是指通过红外图像的预处理之后进行图像的检测和甄别，从而保证后续的目标图像可靠跟踪。
目标图像实时跟踪需要解决因算法运算量和存储空间的需求增加，造成实时跟踪困难等问题。
