图像融合是模式识别与图像处理中一个重要的研究领域,由于具体任务的多样性,没有一种融合方法能够适合于各种图像,这也给图像融合领域的研究带来了诸多挑战。本文从脉冲耦合、稀疏表示、模糊系统、隐马尔科夫模型几方面对图像融合相关算法及其改进方法进行了相关研究,并从视觉效果和客观评价指标上进行了深入比较和分析。本文的主要工作包含如下几个方面。(1)针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法。通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点。(2)针对脉冲耦合神经网络图像融合模型对含噪声图像敏感和融合时间效率不高之问题,通过引入目前在模式识别和图像处理领域研究的压缩感知技术对传统模型进行改造,提出了一种融入压缩感知技术的新型快速脉冲耦合图像融合方法。该方法不仅能够弥补传统脉冲耦合模型抗噪声能力不强之缺陷,还可以实现含噪声图像去噪和图像融合同步完成,有效地克服了传统去噪融合方法中人为将去噪过程和融合过程分开而造成的信息不一致等问题,在一定程度上大大提高了新方法的融合效果和时间效率。(3)图像融合中所处理的图像往往并不局限于两幅,而对应的多通道模型目前却存在鲜有涉及之困境。采用目前被广泛应用的双通道脉冲耦合神经网络图像融合模型处理三张及以上图像的融合,需解决图像融合的先后顺序之问题。研究表明不同的融合顺序对融合结果的影响较大。据此,提出了一种新的多通道脉冲耦合神经网络图像融合方法。同时,针对无现成多通道脉冲耦合链路权重计算方法可以使用之难题,提出了一种新的基于灰度能量矩阵的多通道模型链路权重计算方法。该链路计算方法不仅可以实现各通道间的融合协作,尽量减少信息损失,而且还能有效地避免拉普拉斯算子和重复计算之问题,从而大大提高了算法时间效率。(4)针对传统稀疏表示图像融合超分模型中对于LL(Low-low Frequency)、LH(Low-high Frequency)、H(High Frequency)三部分等比例加权,不能突出重点信息之不足,本文提出一种香农熵多视角加权稀疏表示同步超分图像融合方法。该方法引入香农熵加权技术,针对LL、LH、H三部分根据图像特征进行加权,突出重点频率段的影响,从而提高了图像融合的效果。(5)针对图像融合领域内监督学习少有涉及、先验知识不能加以利用之不足,提出了一种新的有监督学习图像融合框架。该方法能够有效利用以往图像融合过程中得到的经验知识(如质量较高的融合图像)构造有用的标准图像融合学习图像库,进而通过选用相关经典有监督学习模型对上述标准库样本进行训练形成学习模型,最终利用该学习所得模型指导新的图像融合过程。(6)专门针对图像融合领域内难于对先验知识加以利用的问题在模糊系统研究领域提出一种全新的有监督TSK(Takagi Sugeno Kang)模糊系统图像融合方法。该方法通过引入TSK模糊系统构建标准图像融合图像库进行学习,将学习准则记录下来形成融合模型,并指导新的图像融合过程。在融合图像质量和适用范围方面表现出一定的优势。(7)传统图像融合领域中各点融合孤立进行,以至造成的负面影响使得较难能够达到最佳融合效果之问题,提出了一种新的HMM(Hidden Markov Model)医学和多聚焦图像融合方法。该方法能够有效利用均值和平均梯度信息构造发生概率,再通过BP(Back Propagation)算法进行优化,最终得到融合图像。该方法较之传统方法,具备能够尽量照顾到每个像素点周边邻域的信息的特点,具体可表现为融合效果的改善。相关实验结果亦表明了本文方法的上述特点。