图像融合与识别一直是图像处理领域的研究热点。图像的获取方式多样，具有丰富的信息，图像间的关系复杂，通常包含不同的内容，也可能包含相同的内容，但呈现不同的形态。本文以多尺度技术和子空间为基础，结合机器学习算法，研究它们在图像融合和识别环节中应用，以提高处理结果的可靠性和准确性。结合分水岭分割和半监督算法，提出了两种基于局域特征的半监督图像多对象分割。通过空间域多尺度分水岭分割把图像分割成若干独立的封闭区域，以这些区域作为基本单元参与分割。在半监督聚类分割中，构建目标函数，提高标识数据权值，求解目标函数最优解来分割图像。在Multiway cut分割中，建立节点层次图，构建带权无向网络，引入类终端节点，采用两个分水岭分割阈值预分割图像，以实现由粗到精的分割。鉴于全局配准和特征配准容易导致误配准和漏配准，提出了基于SIFT（尺度不变变换）特征点配准和边缘配准的自适应局部配准。扩展SIFT特征点配准，设计了尺度不变边缘配准，选取配准可信度高的候选SIFT特征点和边缘角点，计算图像间隐藏的多个变换关系。该方法对光照、旋转、尺度、噪声、形变等不敏感，能够提供更多的配准信息，并减少错误配准。提出了基于SIFT特征密度的非参考图像质量评估和基于相对特征差分布图和特征增强趋势分布图的图像融合。大量实验表明，图像经过经邻域增强、二倍尺寸内插值放大后，SIFT特征密度随着噪声、模糊和块效应的增大而减小，特征密度能够准确地反映图像的质量。图像的相对特征差分布图描述了两幅待融合图像像素点的局域图像质量差异，根据差值把图像分为三类不同区域，对绝对差值较大的区域，选取质量高的对应区域作为融合结果，对差值趋于零的区域，按照特征增强趋势分布图融合。特征增强趋势分布图的建立基于图像的配准SIFT特征点和配准边缘，目的是保留更多的配准信息，描述了图像像素的取值趋势。融合方法使得共同信息得到增强，干扰信号得到抑制，能够获得更多的有用信息。提出了基于子空间与SIFT的图像识别与基于增量减量子空间学习的图像识别。子空间识别是一种全局特征识别方法，能够实现图像的快速识别，但是会忽略图像的细节特征。SIFT识别根据图像的细节局部特征实现配准，通过特征点配准投票识别图像，但不能进行图像的批量处理，两者的结合能够在保证运算速度的前提下有效提高识别的准确性。增量减量子空间学习解决了样本库动态变化时子空间特征的提取问题，样本可能增加，也可能减少，不需要对所有样本重新学习，以样本投影方差为标准选择特征向量，建立近似的增量减量学习公式，以提高运行速度、降低特征向量维数为目的，实现在线子空间学习和准确地图像识别。全文主要围绕多尺度和子空间研究了图像融合与识别的多个环节，为图像处理相关领域的研究提供了新的思路，并通过仿真实验验证了方法的有效性。