多聚焦图像融合是图像融合领域的一个重要分支。光学镜头由于受到景深的限制,拍摄时无法同时聚焦多个目标,导致图像中未被聚焦的目标区域较为模糊。多聚焦图像融合旨在将多幅聚焦区域不同的图像融合成一幅全聚焦的清晰图像,融合后的图像能够更全面准确地描述场景信息,具有十分重要的现实意义和应用价值。本文研究了基于图像自适应变换及D-S证据理论的多聚焦图像融合方法,具体研究内容如下:研究了基于自适应变换的多聚焦图像融合方法。本文设计了一种图像自适应变换方法,对反卷积神经网络中预置的高斯滤波器的参数进行自适应设置。其中,引入自适应粒子群寻优算法代替传统的遍历方法,寻找图像变换时滤波器的最佳截止频率。此外,本方法还通过研究高斯方向滤波器个数对图像融合效果的影响,确定了图像变换时所需的高斯方向滤波器最佳个数。通过上述图像自适应变换方法,可以获得待融合多聚焦图像的最佳高、低频特征图,对于高频特征图,设计了区域梯度取大的融合规则;对于低频特征图,设计了像素绝对值取大的融合规则。实验结果表明,将本方法与已有的基于神经网络及方向滤波的图像融合方法进行比较,本方法在平均梯度、边缘强度、标准差和信息熵上优于对比算法。研究了基于多特征D-S激励DCPCNN的自适应多聚焦图像融合方法。首先基于上述图像自适应变换方法,获得待融合多聚焦图像的最佳高、低频特征图。然后根据高频和低频特征图的不同特点,设计了不同的融合规则。其中,对于高频特征图,设计了基于多特征D-S激励DCPCNN的高频融合规则,该规则将多特征D-S证据理论的合成结果作为DCPCNN的激励函数。对于低频特征图,设计了区域能量取大的低频融合规则,可以充分保留待融合多聚焦图像的能量信息。实验结果表明,将本方法与已有的基于NSCT及空间频率激励PCNN的图像融合方法、以及基于图像自适应分解及PCNN的图像融合方法进行比较,本方法在平均梯度、边缘强度、标准差和信息熵上优于对比算法。研究了基于权重自适应D-S证据理论的多聚焦图像融合方法。首先基于上述图像自适应变换方法,获得待融合多聚焦图像的最佳高、低频特征图。其中,对于高频特征图,设计了基于权重自适应D-S证据理论的高频融合规则;对于低频特征图,设计了基于快速引导滤波加权的低频融合规则。最后,设计了多聚焦图像融合系统,以应用于实际工程问题。实验结果表明,将本方法与已有的基于Contourlet及D-S证据理论的图像融合方法、基于图像自适应分解及梯度值取大的图像融合方法以及邓勇的D-S证据理论改进方法进行比较,本方法在平均梯度、边缘强度、标准差和信息熵上优于对比算法。本文的研究成果可以解决多聚焦的清晰成像问题,将对后续的图像检测和识别等任务重要的理论意义和实际工程应用价值。