图像融合旨在结合多个传感器获取的图像,产生一幅信息量更加丰富、鲁棒性更强的图像。随着深度学习在计算机视觉任务中的广泛应用,基于深度学习的图像融合也得到了极大地发展,并取得了卓越的性能。本文主要研究基于深度学习的多聚焦图像融合以及基于深度学习的红外与可见光图像融合。论文的主要工作包括:首先,对图像融合的选题背景以及研究现状做出详细地介绍,并对现有的算法进行总结归纳。然后,详尽分析了与本文算法相关的基于深度学习的图像融合算法,进而提出本文的图像融合算法。针对多聚焦图像融合任务如何高效地提取与利用细节信息与上下文信息以及特征之间的准确融合与重构的问题,本文提出一种基于上下文信息和细节注入的多聚焦图像融合算法。细节信息的获取直接影响融合结果的质量,而上下文信息能够帮助网络对于聚焦区域进行识别。因此,为了实现细节与上下文信息的高效提取,本文提出了细节与上下文信息提取模块,并以此为基础创建特征提取网络,提取多级图像特征。为了实现准确的特征融合与重构,本文设计了融合注入模块,以自顶向下的信息传递方式,实现了细节信息的注入以及特征的逐级融合与优化。最后,通过重构模块得到融合图像。除此之外,由于该任务没有公开的训练数据集,本文创建了一种全新的、更加适用的训练数据集。针对红外与可见光图像融合任务没有标注的融合图像(真值图像)的问题以及实现网络端到端的训练学习,本文提出一种基于自监督学习的红外与可见光图像融合算法。首先,使用预训练网络产生初始的伪真值图像;然后,将伪真值图像、红外图像以及可见光图像结合在一起,一同参与网络的学习。为了实现伪真值图像的优化,本文使用网络收敛时的融合图像,更新伪真值图像。通过三阶段的学习,最终,网络输出最优的融合结果。为了实现图像特征的高效提取,本文采用改进的预训练VGG16网络作为基础网络,以相邻特征融合的方式,提取多级包含丰富细节信息与上下文信息的图像特征。为了避免人为设计融合规则带来的困难,以及使得网络能够根据数据自身的特点,完成不同模态间的特征融合,实现网络端到端的训练,本文提出权重归一化融合模块。最后,通过重构模块得到融合图像。除此之外,为了完成网络的准确学习,本文提出一种联合损失函数,包含了基于像素级的损失、基于图像块级的损失以及基于特征级的损失。最后,本文对以上提出的两种基于深度学习的图像融合方法,分别在公开的测试数据集上进行测试,并与现有的主流算法进行对比。无论主观融合图像,还是客观评价指标,本文提出的算法均获得了令人满意的融合性能。