夜视系统在低照度条件下可以获取周围环境信息,保证车辆在恶劣气象条件下的安全行驶,是车载辅助驾驶系统的重要设备。红外和可见光传感器在夜视系统中有广泛应用,其中红外传感器可以接收物体发射或反射的红外线,能够在光照条件不好的情况下获取周围环境信息,尤其适合观测行人和车辆。可见光传感器对物体的细节特征表现好,更符合肉眼观测习惯。将两种图像经过配准和融合,可以结合二者的优点。但是红外图像和可见光图像的特征一致性较弱,一般的图像配准算法不适用于这种异源图像的匹配。同时这两种图像灰度差异大,传统融合方法生成的图像不利于观察。针对这两个问题,本文在现有配准和融合算法的基础上,提出了一种针对异源图像的配准和融合算法,最终生成图像相对于传统均权融合的图像可以保留更多人眼感兴趣区域,改善异源图像特征一致性弱和融合图像不利于观察的问题。本文针对异源图像提取和匹配的部分特征一致性弱的问题,提出了基于梯度重合度的异源图像匹配方法。此方法基于集成创新的思想,构造基于L₂范数的衡量梯度重合度的目标函数,接着通过目标函数优化完成对红外可见光图像的配准。同时基于相机成像原理,根据相机的参数和空间位置,推导了本文匹配算法中矩阵的初值,消除因相机结构带来的图像误差,提高算法准确率。同时,针对红外和可见光图像灰度差异较大,不利于人眼观测的问题,本文设计了基于拉普拉斯金字塔与图像显著性的图像融合算法,将图像进行拉普拉斯分解,在每层上计算图像中视觉显著性图,利用显著性图指导融合图像的权值,最后通过拉普拉斯逆变换进行融合。本文还设计了验证基于梯度边缘重合度目标函数匹配算法的适应性及匹配精度的方法,通过在图像中随机截取矩形,并对其进行小幅平移和旋转操作,将变换后与未变换的图像进行对比,通过四个角点坐标差值初步评估图像配准误差。实验发现本文配准算法可以对五个像素以内误差的错位进行较好修正,同时经观察相对于传统平均融合方法,本文的融合方法可以更好保留红外和可见光图像中的重要信息。