图像融合旨在将同一场景下的同源或多源图像综合成为一幅对该场景描述更加全面的图像,图像融合技术已经广泛应用到数码摄影、医学诊断、视频监控等领域。近年来学者们在图像融合领域提出了众多的端到端的算法,这些算法能够较好地恢复融合图像中的红外目标信息及可见光细节信息,但仍存在以下不足:可见光细节恢复不明显、层次特征提取不充分、融合算法未关注图像显著区域等。针对以上问题,本文采用残差密集网络作为骨干网络,并从图像融合的意义出发,在网络结构和损失函数等方面进行了深入地探索,来获得对场景表达更为完整且具有更多可见光信息的融合图像,本文的主要工作与创新如下:（1）受残差密集网络的启发,本文提出了基于红外强度掩膜的红外与可见光图像融合算法,该算法解决了生成对抗网络算法中可见光细节恢复不明显的问题。在算法设计上,本文通过残差密集块之间的信息流动最大程度地保留每层的特征信息,通过掩膜损失使融合图像在可见光图像较弱的红外区域恢复出更详细的纹理特征,生成的融合图像可以更好地学习可见光图像中的细节特征信息。实验结果表明,该算法生成的融合图像在可见光梯度特性上提升显著,主观上融合图像对比其他算法具有更多的可见光纹理细节信息,客观指标上也取得了一定的进步。（2）为了进一步提取可见光细节纹理特征,本文提出了基于ResNeXt与感知损失的红外与可见光图像融合算法,来解决融合图像细节纹理信息恢复不足的问题。在网络结构上,本文改进了工作一的残差密集块,引入了相对平均判别器代替标准判别器,在损失函数上,为了进一步增强网络对可见光细节纹理特征的学习能力,本文成功地将感知损失应用到融合领域。TNO数据集的对比实验及LLVIP数据集的泛化实验结果表明,该算法有较好的可见光细节纹理特征提取能力,客观评价指标对比工作一均有不同程度的增强。（3）由于现有单判别器训练不能满足两幅图像的融合判别需要,为精细化地提取融合特征,本文提出了基于注意力机制与双判别器的红外与可见光图像融合算法。该算法引入了正则化损失,能够在去除噪声的同时保留边缘特征。在结构上,该算法在残差密集块中添加了有效的通道与空间注意力模块,而且使用双判别器对网络进行迭代训练来保障融合图像中源图像信息恢复的完整性。大量对比实验验证,融合图像在主观视觉上比其他算法保留有更加完整的边缘特征信息,在客观边缘指标上也表现最优。