多传感器图像融合是以图像为研究对象的信息融合,它把对同一目标或场景的用不同传感器获得的不同图像,或用同种传感器以不同成像方式或在不同成像时间获得的不同图像,融合为一幅图像,在这一幅融合图像中能反映多重原始图像的信息,以达到对目标和场景的综合描述,使之更适合视觉感知或像医疗应用、目标检测与分类等计算机处理任务。它是一门综合了传感器、信号处理、图像处理和人工智能等技术的新兴学科分支。近些年来,多传感器图像融合己成为图像理解和计算机视觉领域中一项重要而有用的新技术。多传感器图像融合的处理通常可在以下三个不同层次上进行：像素级、特征级、决策级。本文在分析国内外多传感器图像融合方法的基础上,主要对像素级和特征级融合技术以及多传感器图像融合评价方法等三个方面进行了研究,论文的主要学术贡献和工作如下：(1)在像素级图像融合算法研究方面提出了三种算法。具体地有：提出一种新的基于窗体以及多目标向量求值的量子粒子群优化算法(VEQPSO)的图像融合方法。低频子带采用基于灰度关联分析的VEQPSO算法完成融合过程。高频部分划分窗体,根据不同的窗体类型,运用窗体信息能量和模糊熵指导融合策略；提出了一种改进的形态学小波多聚焦图像融合算法；针对形态学小波融合方法(MMWF)在重构尺度信号时由于发生位置错误而导致灰度值下溢的问题,采用了检测-重融合的方法,该方法保留了MMWF快速、有效、易于实现等优点,同时融合效果也得到了提高；针对统计模型的遥感图像多分辨率融合方法中需要设置相关门限以及约束条件、参数过多,使得算法复杂度增加的问题,提出一种改进的算法。该算法将约束条件变形,然后将其融合在目标函数中,构造新的目标函数,通过最大化拉格朗日函数求偏导数的方法估计参数。该算法可以避免原始算法中的参数设置,并且融合图像的空间分辨率和光谱保持能力均能达到较好的效果,算法鲁棒性增强并且复杂性降低。(2)在多特征图像融合算法研究方面提出了四种算法。论文在研究基于多特征模糊聚类的图像融合方法的基础上,提出了基于卡尔曼滤波的噪声图像的融合方法。该方法结合了滤波和多特征的优点,可提高融合效果,减少图像噪声对融合的干扰；将多通道Gabor滤波与区域方法结合,提出了新的区域相似性度量方法用于图像融合。研究表明,该方法的融合性能对于Gabor滤波器参数(径向中心频率和方向角)的选取不敏感,算法具有一定的稳定性；针对FCM算法容易陷入局部最优的弱点,选用量子粒子群算法与模糊C均值聚类(FCM)相结合的方法(QPSO-FCM)。鉴于QPSO-FCM具有很好的分割效果,将全局优化算法QPSO引入多特征图像融合过程中,这将有利于融合效果的提高；提出一种新的基于二次融合多特征的融合方法,研究表明,这种二次融合方法对多聚焦图像融合有很好的效果。(3)多传感器图像融合评价方面,在对经典的图像融合评价方法研究的基础上,提出了新的图像融合客观评价方法。考虑到人对区域信息更为敏感,因此算法将图像进行区域分割,利用区域特征矩阵表示区域中的空间、纹理和灰度信息等内容,算法更适合于评价。针对是否有参考图像,本文提出了两种用于评价融合图像的新的度量公式。此外,在上述研究的基础上将二维主成分分析(2DPCA)引入上述评价算法,又获得了一种新的算法；本文提出的图像融合评价新方法考虑了图像像素的局部关系以及区域的显著性,更加符合人类的视觉特征。