本项目以红外热成像技术为感知手段，围绕“细粒度感知—高精度建模—个性化控制”的技术链路展开了系统性研究，旨在建立一套主动式、非接触且高精度的车用空调热舒适控制方法论。主要内容包括：第一，提出了基于可见光红外双光融合的细粒度面部温度提取方法，解决了低分辨率红外图像下的面部特征精准定位与测温难题。第二，构建了基于细粒度空间特征张量的深度学习热感受预测模型（Fine-grained CNN），突破了线性统计学模型与机器学习模型在特征表征与非线性映射上的精度瓶颈。通过开展覆盖宽温域的大规模实车实验，采集了 42 名受试者的 1439 组有效样本。机理分析表明，面部皮肤温度的绝对水平与空间分布特征构成了互补的热感觉表征维度。针对现有方法使用宏观区域均值导致的空间信息丢失问题，摒弃了一维向量化输入，构造了保留面部拓扑结构的 6×7×2 空间特征张量，并设计了融合 SE 注意力机制的轻量化卷积神经网络。实验结果表明，该模型在测试集上的预测准确率达到 94.3%，均方误差（MSE）降至 0.264，显著优于随机森林等基线模型，且对性别差异及局部遮挡具有良好的鲁棒性，有效解决了车用动态环境下热感受预测难的问题。第三，提出了热感受驱动的“瞬态初始化 + 稳态微调”双阶段个性化空调控制策略，填补了车用热环境领域缺乏生物反馈的闭环控制范式的空白。