由于光学元件景深的限制,很难捕获到一张图像中所有的清晰目标,只有距离相机特定位置的目标才能被清晰聚焦,在聚焦平面之前或之后的目标将失去聚焦变得模糊。为解决这一问题提出多聚焦图像融合算法。其目的是将不同景深图像融合成一张全聚焦图像,从而获得更全面,更可靠的场景描述。目前,多聚焦图像技术在图像增强、数字成像等领域均有广泛应用。近年来有多种多聚焦图像融合算法被提出。根据图像融合方式不同,多聚焦图像融合有基于变换域和基于空间域方法。这些方法在提取和表现图像细节方面均有较好表现,但缺点是活动测度和融合规则人工设计困难,并且有很多因素不能完全考虑在内。由于深度学习有很强的特征提取和数据表示能力,其在图像处理和机器视觉任务中表现突出,故而利用深度学习解决多聚焦图像融合问题也成为倍受关注的话题。本文的主要研究内容如下:(1)为提高多聚焦图像的融合质量,提出一种在全卷积神经网络下进行监督学习的多聚焦图像融合算法。该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系,即选择源图像中不同的聚焦位置合成一张全局清晰图像。该算法构造聚焦图像作为训练数据,网络采用稠密连接和1*1卷积以提高网络的理解能力和效率。实验表明,该算法在以肉眼观察为主的主观评估和以评价指标为主的客观评估两方面均优于其他对比算法,图像的融合质量得到进一步提升。(2)提出一种基于生成对抗网络的多聚焦图像融合算法。生成器网络引入残差块结构和密集连接;为减少融合图像中的伪影保证图像融合质量,提出一个更细致的带感知损失的级联损失函数。实验结果表明,与其他对比方法相比,所提方法不管是从客观评估还是从主观评价上均取得不错的效果。