随着硬件水平的不断提升与相关研究的持续推进,图像融合技术在各个领域的应用都在不断深入发展。同时,随着计算机算力水平的不断提升,卷积神经网络理论也在迅猛发展,已经被广泛应用于目标识别、人脸识别等多个领域。一方面,引入卷积神经网络可以改进图像融合中的特征提取与分配环节,在此条件下重新设计的图像融合框架可以提升融合图的融合质量。另一方面,现有的相关论文鲜有基于卷积神经网络设计的三通道或多通道的图像融合模型,所以对于多模态多源图像融合中的融合规则设计和多输入方法的探索,也是图像融合理论和工程领域的重要课题。本文的主要内容和创新点也是基于以上两点进行的展开。为进一步提升图像融合质量,同时对卷积神经网络在多输入图像融合领域中可以发挥作用的环节进行探索,本文利用卷积神经网络改进了图像融合中的特征提取与权重分配环节,同时结合图像金字塔模型与NSCT分解方法,设计出了用于多输入多模态图像融合的算法框架（NSCT-FUSEDCNN）。主要研究内容包括以下几个方面:为有效提取源图像中的特征信息,本文通过改进卷积神经网络模型结构的方式,提出了基于FUSEDCNN卷积神经网络的图像融合方法,该算法通过引入改进后的卷积神经网络（FUSEDCNN）获得了更加准确的权重图,并结合阈值选择策略和图像金字塔模型,使得图像融合质量在得到提升的同时也能够让图像更加适应人眼的视觉感受,最后通过图像融合指标评估与视觉效果分析,证明了本算法可以让融合图像在质量上得到提升;为进一步提升图像融合质量并探索解决多模态图像融合问题的方案,本文通过将输入端变换为三输入,再使用NSCT算法分离图像细节和结构化信息的方式对融合框架进行了优化,进而提出了NSCT-FUSEDCNN算法;针对源图像分解后的低频图像分量,本文构造了一种优化后的融合策略,重新设计了基于WLE/WSEML的融合方法进行处理,既考虑了结构化信息的保留又考虑了细节信息的提取,旨在最大程度的融合NSCT分解域中的低通子带成分;针对源图像分解后的高频图像分量,则通过改进后的基于FUSEDCNN卷积神经网络设计的图像融合方法进行处理。通过融合指标分析和视觉效果分析的对比实验证明,NSCT-FUSEDCNN融合算法的设计方式,有效提升了融合图像的质量和视觉效果。