图像融合是提高可见光与红外成像传感器探测水平的关键技术。可见光传感器是通过接收物体的反射光成像,获得的图像景物细节清楚,空间分辨率和对比度较高,但是成像过程易受恶劣天气、烟雾、气溶胶或遮挡等影响,难以实现全天时、全天候工作;红外传感器通过接收环境中的热辐射成像,获得的图像目标较为突出,但图像纹理细节模糊,对比度较低。因此可见光与红外图像的获取方式及图像特点均具有互补性,可以提取两类图像的有用信息并进行融合,获得信息全面、视觉效果较好的融合图像,从而进一步提高探测系统对目标定位、识别、跟踪的能力。稀疏表示融合方法从图像信号稀疏的角度,通过图像的结构特点构造学习字典,利用字典原子表征图像的显著特征,表现出良好的融合性能。但是,目前稀疏表示融合方法仍存在不足:首先,传统的稀疏表示方法将图像进行分块,在计算过程中以块为单位,块与块之间是相互独立的,忽略了图像块之间的相似性,导致字典原子表征图像显著特征能力不足;其次,字典学习过程是一个大规模、高度非凸的问题,计算复杂度较高。针对目前传统稀疏表示融合方法的不足之处,论文以可见光与红外图像为研究对象,将图像的非局部相似性特征应用于融合过程,探究图像相似组构造方式,研究可见光与红外图像组稀疏融合方法,主要研究内容如下:(1)分析了传统稀疏表示融合方法的优势,指出了目前存在的问题。结合可见光与红外图像的成像特点,分析了两类图像的非局部相似性结构;以图像块的非局部相似性为依据,构建图像相似组,建立了图像块的局部与非局部结构之间的联系。研究过程中采用两种方式对相似组进行变形构建,为稀疏表示融合方法提供了新的理论依据。(2)针对传统稀疏表示没有考虑图像块之间相似性的问题,提出可见光与红外图像相似组组K-SVD融合方法。该方法以图像非局部相似性特征为度量依据,以欧式距离为度量准则,构造相似块对应的相似组。将相似组内的图像块采用块向量化,组矩阵化的方法构建图像相似组矩阵。从源图像中提取训练样本并采用改进K-SVD训练字典,以相似组矩阵为单位在字典上进行组稀疏分解,采用绝对值取大的合并规则对稀疏系数进行融合。实验结果表明,与其他融合方法相比,该方法的融合图像细节信息清晰、目标显著,得到了较好的融合效果。(3)针对稀疏表示融合过程中忽略图像块之间相似性以及字典训练复杂度高的问题,研究可见光与红外图像结构组双稀疏融合方法。该方法通过对相似组进行块向量化,组向量化处理,构建图像结构组。结合解析字典和学习字典的优势,研究结构组对应的双稀疏模型,探究结构组双稀疏字典训练方法和稀疏分解。对结构组对应的稀疏系数采用分组、对应组系数绝对值取大的规则进行融合。实验结果表明,与实验中的其他融合方法相比,该方法在主观和客观评价方面均取得较好的融合效果。