近年来,伴随着图像融合技术不断发展,非下采样剪切波变换（Non-subsampled Shearlet Transform,NSST）因其具有多尺度多方向性、时间复杂度低等诸多优点被普遍应用于红外与可见光图像融合领域。为了获得更加优质的融合图像,本文充分考虑NSST变换在融合领域的优势以及红外与可见光图像成像的特点,进行了NSST分解框架下的红外与可见光图像融合技术研究。本文的具体研究工作如下:1)为了解决红外与可见光图像融合方法中融合图像对比度不高、背景细节信息容易丢失的问题,提出了一种NSST结合自适应脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的方法。首先,利用NSST算法将源图像自适应地分解成低频子带和高频子带;接下来,针对图像高、低频子带的融合,分别采用加权平均和自适应PCNN的融合规则;最后,高、低频子带图像通过NSST逆变换,重构形成新图像。实验结果表明,所提出的方法提高了融合图像的对比度,保留了背景细节信息,取得更好的融合效果。2)为了避免融合图像中边缘细节信息容易丢失这一情况,提出了一种NSST与引导滤波相结合的融合方法。通过自适应引导滤波提取源图像细节,并将源图像分为近似图像和细节图像。利用自适应模糊逻辑方法进行低频子带融合;使用区域能量最大化的方法进行高频子带融合。实验结果表明,此方法保留了融合图像边缘信息,提升了融合图像质量。3)为了尽可能保留源图像的显著性特征,解决多尺度方法中特征难以提取的问题,提出一种NSST与卷积神经网络（Convolutional Neural Network,CNN）相结合的图像融合方法。利用CNN和调频算法提取出目标的显著性;再使用NSST结合显著性的方法实现图像融合。实验结果表明,所提出的方法保留了源图像的显著性特征,提高了融合图像的对比度,使融合图像更有利于人眼观察。综上,本文所提出的方法能够改善融合图像的质量,提升融合效果。同时,相比于其他的图像融合方法,本文方法在信息熵、空间频率、平均梯度、互信息和交叉熵等多个客观评价指标都有一定的提高。