图像融合技术是将对于同一场景的不同光谱或者不同聚焦的图像数据以合适的方式整合为一幅可视性更佳,且包含各源图像互补信息的图像,从而能综合多个成像器件成像优点的一门图像处理技术。其中常使用可见光和红外光两种光谱图像融合,可见光成像图像的细节丰富,红外光的轮廓清晰且能发现隐藏物体,两者在信息捕获上具有一定的互补性。可见光和红光外光图像融合技术在军事和民用场合有广泛的应用,在夜间战场作战辅助和汽车导航等方面有着巨大的实用价值。本文探讨了多尺度分解框架下的可见光和红外光图像融合方法,结合几何多尺度分(?)(?)——Contourlet分解和基于生物视觉神经工作原理的脉冲耦合神经网络(PCNN)两种理论,提出了应用于多尺度分解框架下可见光和红外光图像融合的自适应迭代次数PCNN模型。通过仿真对小波分解、下采样Contourlet分解和非下采样Contourlet分解框架下的传统PCNN模型和自适应迭代次数PCNN模型的可见光和红外光图像融合算法性能进行比较。结果表明,自适应迭代次数PCNN模型比传统PCNN模型在融合效果上有了很大的提升。本文还对可见光和红外光图像的压缩感知(CS)及重建技术进行了研究,着重探讨其重建算法,对常用的几种算法做仿真,并比较得出可见光和红外光图像压缩感知的最佳重建算法。接着对CS框架下的可见光和红外光图像融合的现有方法进行比较,并首次将PCNN模型应用到CS框架下,探讨了自适应迭代次数PCNN模型在CS框架下应用于可见光和红外光图像融合的可行性,获得了较好的融合效果。