随着传感器技术的飞速发展,人们获得信息的通道越来越多。不同的传感器能够反映场景中不同方面的信息,可以帮助人们更加全面地了解物体的本质。虽然不同传感器图像之间存在着互补信息,但图像和图像之间不可避免的存在冗余信息。红外传感器捕捉场景中的热辐射信息,因此红外图像具有较高的对比度,且能够将显著目标与背景分离。可见光传感器捕捉场景中的光反射信息,因此可见光图像具有较丰富的纹理信息。红外和可见光图像融合旨在将两种模态的图像信息充分融合,得到一幅单一的图像,实现将冗余信息去除、互补信息保留的目的。传统的图像融合算法普遍将图像分解为高频信息和低频信息,高频信息反映图像中的细节、纹理和边缘,低频信息主要反映场景中的像素强度分布。这种分解方法没有考虑到边缘信息的整体性。而深度学习的方法要么没有考虑到不同模态图像之间的特征差异,要么没有考虑到不同特征信息之间的信息交互,导致了融合图像中存在纹理信息丢失、显著目标对比度低等问题。因此,本文针对于传统和深度方法的缺陷,提出了两个全新的红外和可见光图像融合方案,论文的主要创新工作如下:1)针对传统算法中将图像简单分解为高低频两部分导致融合图像细节丢失等问题,提出了一种基于改进的边窗滤波（MSWF）和强度转换函数（ITF）的融合方案。首先,在边窗滤波的基础上添加了四个新的滤波核构建MSWF以提升其保边能力,并使用MSWF将图像分解为基础层和细节层。由于MSWF的保边效果,边缘信息被保留在了基础层。然后,使用多尺度多方向分解工具非下采样剪切波变换（NSST）提取基础层的高低频。因此,经过变换边缘信息被分解到高频层中。随后,我们提出了一种S型的ITF用于增强红外图像中的显著性信息并抑制红外图像中非显著性信息。在融合过程中,考虑各分解分量的特点,设计了不同的融合规则,得到融合的细节层和融合的低高频层。最后,通过逆NSST以及逆MSWF得到最终融合图像。在公共数据集TNO和OSU中证明了所提出方法的有效性。2)目前大多深度学习算法直接融合两幅模态图像的特征,没有充分考虑它们的具体属性,导致融合图像更倾向于包含某一模态的特征。因此本文提出了一种用于红外和可见光图像融合的两阶段特征传递与补偿融合网络（FTSFN）。在第一阶段,我们提出了一个特征迁移网络（FTN）通过将一个模态的特征迁移到另一个模态来减少这两个模态之间的领域差距。针对设计的FTN和输入源图像的特点,构建了两个网络FTN＿IR和FTN＿VIS以获得增强的红外图像和可见光图像的特征。第二阶段,通过定义两个权值共享网络分支,构建了特征补充融合网络（FSFN）来实现增强特征的融合。在FSFN中,设计了两个特征补充模块,基于强度的特征补充模块（IFSM）和基于梯度的特征补充模块（GFSM）,用来有效地相互补充两种增强特征的强度和纹理信息。此外,为了更好地指导FTN和FTSFN的训练,我们根据源图像的领域特征定义了不同的损失函数。在广泛应用的融合数据集TNO和INO上进行的大量实验,实验结果证明了所提出的FTSFN的有效性和优越性。