多聚焦图像融合是将同场景下聚焦不同物体的图像融合在同一张图像中的数字图像技术,该技术旨在解决光学镜头焦距有限所造成的不能全聚焦的问题。传统的图像融合算法会经过特征提取,特征比较,实施既定融合策略等步骤,本文使用深度学习技术的优势在于能够自动学习数据样本内在的规律,减少人为因素的干扰。目前在多聚焦图像中应用的深度学习方案将该问题视为分类问题,需要借助一些数字图像处理技术作为后处理手段辅助图像的融合。为此,本文将该问题视作一种图像生成式的回归问题,重点研究直接将多聚焦图像进行融合的全卷积深度学习网络,不需使用后处理。本文的工作内容主要包括以下几个方面:（1）提出了一种基于编解码器的多聚焦彩色图像融合算法。采用类似孪生网络的多分支结构和密集网络组件对多聚焦图像进行浅层特征和深层特征的提取,然后通过相关处理对图像进行特征融合和图像重构。实验测试验证了生成式图像融合思路的可行性和本文算法的有效性,同时该算法可以将多聚焦图像中的纹理、边缘等细节进行很好地提取和保留。相较于其他算法,本文算法融合的图像清晰度高,融合的边界过渡自然。（2）提出了一种基于生成对抗网络的多聚焦彩色图像融合算法,采用生成器模型和鉴别器模型进行深度学习网络的构建,并在生成器模型中嵌入了ECA注意力机制模块。在实验中,构造了仿多聚焦图像对、随机掩模图像对和平行掩膜图像对等三种数据集进行网络训练,实验表明掩模图像对更能挖掘神经网络性能,在客观指标评价中优于参照的其他算法;同时进行了嵌入注意力机制的对照实验,表明ECA注意力机制模块可以很好地提升网络的客观指标性能,并且比嵌入SE模块后的性能更好;在融合图像方面,本文算法融合的全聚焦图像具有纹理精细,高保真,清晰自然的特点。