图像是获取信息的主要方式之一,在图像采集的过程中,由于采集设备及外部条件的影响,导致图像中包含的有效信息较少,并且同一场景很难通过一幅图像收集到该场景的全部信息。因此,将两幅及以上的图像信息融合到一张图,以获得更为全面的场景信息是非常重要的技术,这个信息融合的过程被称为图像融合。其中,多聚焦图像融合技术可以将多幅同一场景不同聚焦区域的图像信息融合得到一幅全聚焦图像,该技术在军事、工业和农业等领域获得了广泛地应用。多聚焦图像融合可分为基于变换域的图像融合算法、基于空域的图像融合算法和基于深度学习的图像融合算法。为了验证各融合算法的融合性能,现有算法最常用的彩色多聚焦图像融合数据集是Lytro数据集,但该数据集是相机拍摄的,数据的质量较好,不能反映真实环境中相机抖动或物体移动等引起的图像配准错误的问题。随着智能手机的快速发展,为了获得一个更贴合真实环境的多聚焦图像测试集,本文利用多种型号手机构建了一个新的彩色多聚焦图像融合数据集:HBU-CVMDSP数据集。除此之外,本文针对现有算法的不足,利用多尺度变换与深度学习网络,提出了一种基于注意力卷积神经网络（Attention Convolutional Neural Networks,ACNN）的非下采样剪切波变换（NonSubsampled Shearlet Transform,NSST）域多聚焦图像融合,取得了很好的融合效果。本文的主要研究内容如下:（1）真实环境下多聚焦图像融合数据集及算法测试当前多聚焦图像数据集大部分是通过专业成像设备采集或者经过高斯模糊处理的模拟数据集,很难反映真实环境下多聚焦图像融合技术的优劣。因此,本文利用常见的智能手机构建了一个真实环境下的多聚焦图像融合数据集,命名为HBU-CVMDSP数据集。该数据集由五部不同型号的手机进行采集,共包含66对多聚焦图像。此外,本文还验证了现有融合算法在该数据集中的融合结果。实验结果表明,大多数融合算法在该数据集上进行测试时,融合性能有待提高,因此,针对真实环境下的多聚焦图像融合数据集开发新的图像融合算法很有必要。（2）基于ACNN的NSST域多聚焦图像融合算法为了提升真实环境下图像融合算法的性能,改善图像融合的效果,本文提出了一种基于ACNN的NSST域多聚焦图像融合算法。该算法首先对源图像进行NSST分解,获得图像的低频与高频分量;其次,对低频分量采用ACNN进行融合,而对高频分量采用改进拉普拉斯能量和（Sum of Modified Laplacian,SML）取大的融合规则进行融合;最后对融合后的高低频分量进行NSST逆变换得到最终的融合图像。实验结果表明,本文算法可以很好地保留源图像的有效信息,得到令人满意的融合图像。