图像融合技术是结合来自不同传感器或者是来自同一传感器但在不同条件下获取的图像来产生一个精确、清晰、更加符合人类视觉效果的图像，该技术已广泛地应用在遥感、医学诊断、计算机视觉等多个领域。目前，图像融合技术主要是基于多尺度变换的像素级融合和区域级融合，前者没有对源图像进行区域特性分析，且采用简单、一致的融合规则会使最终融合图像的对比度和分辨率降低，后者相对前者获得的融合图像的质量有所提高，但大多数算法对场景的划分是分为显著区域和非显著区域，显著区域融合效果好，非显著区域则存在细节模糊。　　本论文系统地研究了图像融合的基本理论及其相关前沿算法，重点针对红外与可见光图像融合以及多聚焦图像融合展开了研究。　　论文的主要工作及贡献如下：　　1.研究了图像融合基本理论和近些年关于红外与可见光图像融合和多聚焦图像融合的相关前沿算法。　　2.提出了一种基于散焦深度估计和非下采样轮廓波变换(Non-Subsampled Contourlet Transform,NSCT)的多聚焦图像融合算法。在该算法中，提出了一种基于散焦深度估计的区域划分方法，首先对源图像进行散焦深度估计得到散焦深度估计图，然后通过比较源图像的散焦深度估计图得到初始聚焦探测图，接着通过数学形态将初始聚焦探测图分为聚焦区域和不定区域。最后，在融合阶段，根据不同的区域特性采取不同的融合方法。实验证明，这种方法能够更加准确地提取聚焦区域，同时比起基于传统视觉注意模型的图像分割算法具有更好的通用性和稳定性，且获得的融合图像在主观和客观质量评价上都有较大提升。　　3.提出了一种基于区域特性的红外与可见光图像融合算法。首先，考虑到红外图像的多目标特性，采用区域生长和引导滤波进行自适应地提取红外图像中的目标，即先通过简单的区域生长进行目标定位；然后，对引导滤波器的滤波半径进行改进，根据目标的大小采取自适应大小的窗口进行滤波得到目标的局部区域，此过程能够有效地剔除背景信息；接着，再通过区域生长获取最终目标图；对于可见光图像，我们首先计算其梯度图，结合k-means聚类与梯度图将可见光图像划分为平滑区域和纹理区域，之后再结合目标提取图得到最终的场景划分图（由目标区域、平滑区域和纹理区域组成）。最后，分析不同区域所具有的特性并针对其设计不同的融合规则。该融合算法将图像的区域特性与像素级融合方法结合，充分提高了融合图像的信息量，很好地解决了传统基于 NSCT方法得到的融合图像视觉效果差及细节信息不够丰富等问题。通过实验比较验证，该方法具有很好的优越性，不仅可以增强融合图像的对比度和清晰度，还能突出融合图像的目标特性。