图像融合是指将两幅及以上的源图像通过一定的算法融合成一幅目标图像。获得融合图像的主要目的是留存源图像的有用信息,提高图像的可视度。由于融合后的图像具有高质量性,且观察清晰度更高,因此更方便人们对图像信息的后续研究。可见光和红外图像融合是图像融合相关研究的一个重要组成部分,很大程度上满足了众多军用和民用的需求。此外,红外与可见光图像融合技术具有可移植性,可以延展至其它类型的图像融合领域。有助于进一步完善图像融合理论体系。红外与可见光图像融合的研究方法通常包括基于空域、变换域和深度学习的方法。其中,基于多尺度变换的融合方法在红外与可见光图像融合领域的应用十分广泛,它包括小波变换,Contourlet变换和非下采样轮廓波变换（NSCT）等。近几年来,基于深度学习的红外与可见光图像融合研究的发展十分迅速。常用的深度学习模型包括生成对抗网络（GAN）、卷积神经网络（CNN）和脉冲耦合神经网络（PCNN）等。目前该领域的研究已成为国内外关注的焦点,其研究成果能够促进该领域在实际生活中的广泛应用和大幅度发展。本文首先详细地介绍了图像融合的国内外研究现状和发展动态,综述了一些经典的图像融合方法。然后,介绍了多尺度变换理论和深度学习技术。最后,归纳了图像融合的质量评价标准指标。然后,对可见光与红外图像在NSCT域的统计建模新融合方法做了介绍。该方法首先使用NSCT变换对源图像进行分解,然后分别采用PCA方法和GGD建模方法对低频子带和高频子带进行融合。最后,使用逆NSCT变换的方法对各融合子带变换,并得到融合图像。采用主观与客观相结合的评价机制,对融合结果进行评价,同时与NSCT域的三种融合方法进行综合比较。实验结果表明,该方法具有更好的综合性能。其次,介绍了一种结合卷积稀疏表示（CSR）和NSCT的红外与可见光图像融合方法。该方法首先使用NSCT变换对输入的源图像进行分解得到高频和低频子带。然后,将高频子带使用导向滤波进行增强,并将增强后的高频子带进行选择最大值策略融合,将低频子带采用CSR和选择最大值策略得到融合稀疏系数图,结合学习字典卷积重构低频子带系数。最后,采用逆NSCT变换对各融合子带变换,并得到融合图像。经与其它最新方法对比可知,使用该方法得到的融合图像在主观和客观上均具有一定优势。最后,介绍了一种新的基于生成对抗网络的红外与可见光图像融合方法。首先,建立一个生成器和两个判别器之间的对抗性博弈。生成器的目的是生成一个真实的融合图像,并用一个专门设计的、反映内容损失的生成器来欺骗判别器。而两个判别器的目的是为了区分融合图像和两个源图像之间的结构差异。训练时,采用MS＿SSIM充当内容损失函数。MS＿SSIM对不同分辨率的图像融合都能保持性能稳定,且MS＿SSIM能够更好地保留图像的细节信息和轮廓信息。通过对抗性学习,可以使融合图像获得更多的细节信息。本文采用TNO数据集训练,实验结果表明,与现有的典型方法相比,由本文方法所得到的主观融合图像保留了源图像更多的细节信息、存在的伪影更少,并在客观评价指标方面也具有较好的融合性能。