红外与可见光图像融合是同一场景下将不同传感器采集到的不同类型图像,通过一定的算法将其融合到一起的过程,实现红外与可见光图像优势互补,解决了单一图像信息量不足的问题,从而提供质量更高、更精确的信息。为目标识别、目标追踪等领域奠定了基础,在机器视觉、目标检测和军事等领域有着广泛的应用。针对目前红外与可见光图像融合存在的问题,本文在利用传统方法的基础上,引入卷积神经网络,这可以使算法获取更多的细节特征,本文利用其优势完成以下工作:（1）针对融合图像细节、纹理不够清晰的问题,本文提出了一种基于非下采样剪切波（Non-Subsampled Shearlet Transform,NSST）与卷积神经网络（Convolution Nerual Network,CNN）的红外与可见光图像融合算法。该方法首先使用NSST进行分解源图像;然后针对低频图像采用相似性匹配融合规则,将高频图像输入到IFCNN网络进行特征提取,再通过L2正则化、卷积操作和选择最大策略得到最后的高频图像;逆变换得到融合结果图。从最终的实验结果可知,本文方法很好地保留了图像的边缘细节信息,具有良好的视觉效果。（2）针对融合图像边缘模糊、对比度较低的问题,本文提出了一种基于窗口经验模式分解（Window Empirical Mode Decomposition,WEMD）与生成对抗网络（Generative Adversarial Networks,GAN）的红外与可见光图像融合算法。该方法将处理信号的方法引用到图像融合中,首先使用WEMD将图像分解成内蕴模式函数分量（Intrinsic Mode Function,IMF）分量和残余分量,残余分量采用简单的加权平均进行融合,因为其中包含的细节信息较少;针对IMF分量利用主成分分析（Principal Components Analysis,PCA）进行融合,然后重构得到初步的融合结果图,将初步的融合结果图输入到改进的生成对抗网络中,为了更好地提取其中的有用信息,将生成器和鉴别器均加入稠密连接,从而补全红外与可见光的信息,最终得到融合结果。实验结果表明,本文方法突出了红外图像的目标,提高了对比度,而且在客观评价指标方面也有明显的优势。本文设计了图像融合系统,与另外八种图像融合算法进行主观和客观评价,通过对比算法可以直观地看出提出算法的效果,在该系统可以更便捷地查看融合图像和评价指标,为红外与可见光图像融合提供技术支持。