图像融合和图像分割是计算机视觉中重要的研究内容,传统的图像融合方法需要人工设定特征和融合准则来完成融合任务,而传统的图像分割方法要利用结构先验信息,没有充分考虑图像的潜在特征分布对算法的影响以及分离了特征提取与分类器设计两个重要的算法设计步骤,在一定程度上限制了算法的性能。因此,本文采用深度学习方法解决这一问题,设计深度卷积神经网络算法对多聚焦图像融合和结肠腺体图像分割方法进行研究,本文在此两项任务上主要研究内容如下:1.本文提出一种基于空间金字塔池化网络的多聚焦图像融合方法。首先,设计了一种孪生双通道卷积神经网络,并使用金字塔池化代替最大池化,来学习多聚焦图像的特征。然后,为了有效训练该网络,采用高斯滤波器来合成一个大规模具有金标准的多聚焦数据集。给定一幅多聚焦图像作为输入,训练好的模型可以输出一个指示源图像中聚焦性质的得分图。此外,为了进一步提高融合效果,本文将得分图进一步分割为二值掩模图,并使用形态学方法对其进行优化。最后,通过在优化的二值掩模图及源图像之间使用点乘运算,将可以得到最终融合图像。实验结果表明,本文算法在测试集上平均量化指标提高了0.005%。2.本文提出了一种基于深度密集卷积神经网络及焦点损失函数的结肠腺体实例分割方法。首先,为了充分利用标注信息,本文把结肠腺体实例分割问题归纳为一种多任务学习,即同时对腺体实例和轮廓进行特征学习。然后,本文使用深度密集卷积网络,有效利用所有网络底层信息与高层语义信息去充分提取图像特征。为了减轻网络训练集中存在的数据类内不平衡问题,提出使用焦点损失函数来代替普通交叉熵损失。在训练良好的网络和在给定结肠腺体图片输入的前提下,可以输出两个高度置信图来指示每一个像素属于实例或轮廓的得分;为了进一步提高实例分割效果,本文使用形态学和卷积条件随机场对高度置信图进行优化信息处理,进而得到最终的实例分割图。实验结果表明,在主观视觉感知和三个客观定量指标得分上,本文所提算法均优于当前大部分主流方法。