图像融合是一种将多个图像作为输入,输出单个含所有原始信息和特征的高对比度、低噪声图像的处理技术。最近,随着多尺度分解和深度学习方法的发展,众多学者对图像融合开展了广泛的研究,使其在计算机视觉、物体检测、监控、医疗成像等领域的应用取得了显著的进步。然而由于背景对比度、环境变化、模糊效应、融合策略不当、光照不均匀以及噪声和伪影等干扰因素的存在,现有的图像融合方法在提取有效信息时仍存在一定局限性。本论文为了解决上述局限性,提出了四种新的图像融合方法,分别应用于一般图像融合、多焦点图像融合、红外和可见光图像融合以及医疗图像融合。本文的第一部分提出了一种混合图像融合算法,用于一般图像的融合。该算法适用于多种图像类别的融合,其利用并分析了各种图像类别的属性和特征,对每一类图像选取合适的域进行图像融合。该算法使用基于中值-平均滤波器的混合离散平稳小波（DSWT）和主成分分析（PCA）来进行图像融合,克服了海森堡不确定性原理的限度,生成的融合图像具有足够的能量信息和丰富的细节特征,提高了融合图像在空间域和光谱域的精确度。本文的第二部分提出了一种基于混合直方图均衡和快速灰度级分组（HE-FGLV）的多焦点图像融合方法。该算法利用HE-FGLV快速计算来自适应地提高对比度,通过非下采样轮廓波变换NSCT保留图像的真实几何结构（如边缘和轮廓）,将图像分解为低频（LF）和高频（HF）子带,然后采用局部能量和平均梯度结合的图像融合策略,借助丰富的细节特征恢复图像的能量信息,最后基于灰度主成分分析G-PCA实现多通道彩色图像到单通道灰色图像的转换,在保留了更高对比度的同时进行了特征降维。本文的第三部分提出了基于自适应模糊的预处理和各向异性扩散（AD）滤波的多策略红外和可见光图像融合算法。该算法首先运用基于自适应模糊的预处理增强方法自适应地计算参数,实现了自动的图像对比度增强,然后利用基于各向异性扩散的边缘保护滤波器将增强后的图像分解为基础层和细节层,在平滑边缘的同时去除图像噪声。最后细节层图像被送入VGG-19网络,通过迁移学习结合多种融合策略提取特征图,得到包含详细特征的最终融合图像;同时基础层图像利用PCA方法进行融合以保留源图像的能量信息。本文的第四部分提出了一种基于卷积神经网络（CNN）和局部平移不变剪切变换（LSIST）的医学图像融合算法。该算法首先利用顶帽和底帽变换进行预处理,解决了源图像光照不均和对比度低的问题,接着利用局部平移不变剪切变换将图像分解为低频和高频子带,有效地恢复了源图像在不同尺度、方向的重要特征。然后利用CNN方法对高频子带进行融合,确保在捕捉到平滑的边缘、纹理和轮廓的同时,不会引入伪影;利用局部能量策略对低频子带实现融合,以保留医学图像的能量信息。总而言之,本文提出了四种不同的图像融合方法,分别应用于一般图像融合多焦点图像融合、红外和可见光图像融合以及医疗图像融合。实验结果表明,本文所提出的融合算法,能够高效地从源图像中获取重要信息,并且产生噪声可以忽略不计。在基于专家视觉经验评判的主观评估体系和基于多种视觉指标参数的客观评估体系下,本文所提出的各种算法与现有的图像融合方法相比,均取得了优秀的性能表现。