二十世纪八十年代初,信息融合技术开始在多个领域崭露头角^[1]。伴随着科学技术的进一步发展,信息融合技术近年来不断取得重大突破,在各个领域发挥越来越重要的作用^[2]。在传统信息融合方法的基础上,本文主要围绕深度学习实现信息融合展开研究,最终利用深度学习实现更快、更高效的信息融合。本文的主要研究工作如下:1、本文首先详细描述信息融合技术的基本理论方法和研究现状,分析传统信息融合方法存在的问题和缺陷。接着通过对深度学习的发展历程进行简要介绍,并给出本文拟采用深度学习实现信息融合的具体方法以及本文框架。2、简单描述用于方法验证的数据集,主要包括建立数据库、数据库图像扩充以及人脸图像提取等相关工作。最后介绍本文所涉及的卷积神经网络和长短时记忆模型等基础知识。3、简单描述传统数据级信息融合的具体方法,在此基础上通过对传统卷积神经网络的方法进行改进,并利用数据级融合方法实现了图像增强与图像识别。其中在识别上,将图像分别转换为灰度图、RGB三通道图、HIS三通道图的多个数据集,并利用Le-Net、Alex Net以及GoogleNet分别进行训练,并对不同数据集进行融合识别,给出了识别精度;4、在传统特征级信息融合的基础上,采用多种特征组合策略的深度学习模型实现特征级信息融合,同时通过人脸识别实验验证特征级信息融合的效果。5、在传统决策级信息融合的基础上,分别利用平均值法、传统多层网络以及极限学习机实现决策级信息融合,最后通过多模态信息融合验证决策级信息融合的效果。本文提出的基于深度学习的信息融合思想,为信息融合的发展提供了新的思路,研究成果可灵活应用于各类型、各层次的信息融合。本文分别通过多组实验验证该方法的可行性和有效性,同时根据具体问题对网络结构和类型进行相关改进。最后本文对基于深度学习实现信息融合的实用效果以及前景等方面做了总结与展望,并指出了目前尚且存在的不足和有待进一步探究的问题。