由于常规相机光学镜头的景深是有限的,因此,只有来自相机特定位置的目标才能被聚焦,其它目标将失去焦点并变得模糊。为了准确地解释和分析图像,需要获得每个目标都清晰的图像。多聚焦图像融合是获得全焦图像,也就是清晰图像的有效技术。多聚焦图像融合的主要目标是将同一场景的多幅图像融合到一幅图像中,融合后图像比单一图像包含更多的信息,有利于图像的进一步分析与处理。目前,许多需要对同一场景的两幅或两幅以上图像进行分析的应用都得益于像素级多聚焦图像融合。融合后的图像可用于图像处理的各种任务,如目标识别、特征提取、分割医学图像处理和遥感等领域。因此,研究有效的多聚焦图像融合方法有重要意义。本论文基于卷积神经网络、稀疏表示、多尺度变换、全变分和残差神经网络提出多聚焦图像融合新方法,主要创新工作如下:针对基于稀疏表示融合方法的高计算复杂度和细节信息损失问题,我们提出了一种基于卷积神经网络和稀疏表示的融合方法。在所提方法中,通过卷积神经网络得到多聚焦源图像“较优”的焦点图。为了充分提取源图像的清晰区域,我们利用焦点图来判定源图像像素区域是否聚焦。对于像素区域完全聚焦/离焦的情况,可以直接从源图像得到融合后像素区域。如果区域介于聚焦和离焦之间,我们提出运用加权的l1-范数大小来度量活动水平级的新方法。这种对图像块分类处理的方式大大降低了需要稀疏表示的块的数量,使得所提出的融合方法具有较快的计算效率。对聚焦和离焦交界区域进行基于新的稀疏表示的融合,减少了基于卷积神经网络融合结果的块效应。实验结果比较表明,所提方法在视觉和客观评价中有更好的融合性能。针对基于多尺度变换融合方法的方向信息和细节信息损失问题,我们提出了一种基于多尺度和多方向字典的多聚焦图像融合方法。在此方法中,对于高频子带融合,提出了一种基于方向对比度的融合规则。每个高频子带都有其各自的方向权重,权重算子的卷积运算增强了高频子带方向上的信息,有利于高频细节信息的提取。对于低频子带融合,进行强/弱信息块的分类。对于弱信息块,采用基于加权平均的融合规则。对于强信息块,我们提出基于方向字典的融合方法,使得强信息块可以自适应的选择字典。这种强/弱信息块的区别处理,大大降低了算法的计算复杂度。实验结果表明所提方法充分利用了源图像各个尺度的方向信息,从源图像中提取了更多的有用信息,同时计算效率有了较大的提高。针对基于全变分融合方法的阶梯效应和过渡光滑问题,我们提出一种基于全变分和DResNet的多聚焦图像融合方法。第一,DResNet的提出。残差神经网络引入了跳跃连接,可以使上一个残差块的信息没有阻碍的流入到下一个残差块,提高了信息的流通。DResNet网络运用残差网络块,可以简化了学习目标和难度。DResNet是端到焦点图的网络,避免了基于块的学习方法的块效应。在网络的学习过程中,我们创建了大数据集,增强了网络的泛化性。第二,简化了全变分模型的求解。我们提出的融合方法不需要复杂的四方向差分算子和二阶梯度信息。第三,采用全变分方法处理聚焦和散焦交界区域,可以使得交界区域平滑。所提方法提升了基于全变分方法融合结果的质量,极大的减少了融合结果的阶梯效应和过渡光滑现象。实验表明,与一些先进的方法相比,提出的方法的融合性能较好。本文所提融合方法有效的提升了多聚焦图像融合性能,并且计算复杂度小。