成像器件的动态范围（Dynamic Range）代表了它对场景中的亮暗目标的采集能力,同时受限于硬件条件与制造成本,单次成像能够记录的动态范围远小于人类眼睛,使得照片的观感不尽人意。因此,基于软件的动态范围拓展技术被提出在不显著增加硬件成本的基础上大幅度提升成像质量。如果有效采集场景中的动态信息并将其尽可能多地展示在动态范围受限的显示器上则成为了本领域的研究重点。在过去的数年间有大量相关方法被提出,但受限于成像效果与计算成本,只有基于多曝光融合的动态范围拓展技术得到了广泛的应用,但基于传统图像算子的多曝光特征提取面临着需要人工设计结构与场景参数、场景内有物体位移时易产生鬼影、成像质量仍需进一步提升等诸多挑战。针对上述问题,本文通过近年来取得了大量突破的以神经网络为代表的学习理论,构建了基于学习理论的多曝光图像特征提取与融合模型。本文的主要研究内容包括以下两点:1.以卷积神经网络为基础构建了针对多曝光图像的多分支通道特征提取模型。在研究过程中通过分析现有特征提取与处理网络的相关研究成果分析了限制训练效果的梯度弥散现象与在图像高对比度物体边缘产生光晕的梯度反转现象,针对于此提出了一种能够维持图像各向异性的卷积块并构建了多分支通道特征提取模型。通过本文工作能够保证模型在训练过程中能够有效提取出曝光图像的相应特征信息。2.在特征提取模型的基础之上,通过编码器-解码器结构过建了多尺度曝光图像特征重构与融合模型。以感受野为理论基础,研究了多曝光特征在多尺度分辨率下分别对局部特征以及全局特征进行重构与融合。同时提出了一种基于图像结构与像素强度的融合策略,提升融合效果的同时,使得最终结果更符合视觉感官。为了验证上述方法的有效性,本文同现有基于学习理论的动态范围拓展方法进行横向对比。实验结果显示,本文方法能够有效提取多曝光图像的特征进行融合,融合结果在视觉观感、图像结构与像素强度等方面皆优于现有方法。