可见光图像具有分辨率高、纹理细节清晰、色彩丰富的特点,但也易受光照条件的影响,在能见度较低的环境下,无法获得清晰的可见光图像。红外图像不受光照条件的影响,在低光照环境下同样可以获得清晰的图像,但是红外图像表征的是物体辐射的分布情况,与人眼感知不同,不利于人眼观察。而且红外图像受其成像原理所限,无法获得与可见光图像相同的高分辨图像,如2k分辨率的红外图像。综上所述,为了获取高分辨率的融合图像,结合可见光图像与红外图像不同的特点,采用一定的融合策略,生成融合图像,融合后的图像可以广泛应用于目标识别、跟踪等领域。本文研究目的是提高融合图像画质水平。利用深度学习超分辨率重建算法提升红外图像的分辨率,在此基础上改进融合图像的图像质量,提升融合图像的性能指标。本文的主要内容以及创新点如下:（1）针对红外图像分辨率低这一问题,提出红外图像超分辨率重建算法的改进,即一种基于残差网络结构的红外图像超分辨率重建算法框架,并以此为基础,结合注意力机制,增强红外图像的局部细节。实验结果表明,改进后的红外超分辨重建算法,有效增强了红外图像的高频细节,对比EDSR算法在客观指标PSNR上提升了2%。（2）基于红外图像超分辨率恢复算法,提出红外与可见光图像融合网络模型。根据红外图像超分辨率恢复算法改进提取可见光与红外图像特征方式,并采用有效的融合策略进行图像融合,并将融合图像与经典图像融合算法的性能指标进行对比,验证融合算法的有效性。实验结果表明,融合算法有效提高了融合图像的客观指标,并且视觉质量上更加清晰,对比度更加明显。（3）为了提高算法的实用性,本文搭建了基于超分辨率重建的融合算法的硬件系统;设计平行光轴采集可见光图像与红外图像,对采集的图像进行配准,并验证本文提出的超分融合算法的有效性;同时研究算法在ZYNQ异构硬件平台的实现,结合ZYNQ芯片的性能特点,优化算法的资源利用,设计软硬件协同算法,加速整个神经网络。实验结果表明,超分融合算法部署在硬件平台上可以取得良好的加速效果。