图像融合是一项图像增强技术,旨在将来自于不同成像设备或者成像参数的图像联合起来,生成一幅信息量丰富的融合图片,以更好地完成随后的高层次视觉任务。图像融合技术在遥感图像处理、医学图像分析、目标识别与跟踪等任务中都扮演着非常重要的角色,是目前各领域关注和研究的热点。近些年来,国内外学者提出了许多高效的图像融合算法,根据融合流程的不同,这些算法可分为两类。第一种算法使用传统变换模型或者深度网络分解源图像中的结构和细节纹理信息,随后根据各自的特性设计融合规则,最终采用对应的反变换模型重构得到融合图像。然而,这类算法往往需要根据给定的先验信息设计复杂的特征提取模型,模型的通用性较差,而且时间和空间的负担较重。而另外一种算法则直接使用深度学习网络生成融合图像,相较之下,算法的实现效率更高,而且模型对于多源信息的提取能力更强。然而,作为一种新兴的技术,基于深度学习的图像融合方法往往对于不同源图像的特征缺乏针对性考虑,且针对不同图像融合任务的深度网络结构设计亦存在较大的提升空间。本文基于对深度学习模型的分析和思考,对于多曝光图像融合、近红外和可见光图像融合任务提出了一系列新算法,且取得了良好的实验结果。本文的具体工作如下:（1）针对现有大多数多曝光图像融合算法注重于细节和颜色信息保留,而忽视图像亮度恢复,从而导致融合图像整体亮度不均匀的问题,本文提出了一种基于深度分解模型的多曝光图像融合算法。受到Retinex模型的启发,本文提出了深度分解网络将源图像分离为亮度图和反射图分量,随后分别进行融合,融合图像的整体亮度在子空间里得到了有效的调节,因此该方法可以生成视觉效果自然且细节丰富的融合图片。（2）针对多曝光图像融合任务缺乏高质量的参考图像以及局部不良曝光区域细节丢失的问题,本文提出了一种带有局部亮度调节的自适应清晰度引导网络用于多曝光图像融合。该方法由两部分构成,分别为视觉特征保留网络和亮度调节网络。受清晰度信息的引导,视觉特征保留网络可以有效地保留源图像的对比度、色彩以及细节信息。而亮度调节网络可以利用Gamma矫正函数恢复不良曝光区域的亮度,因此可以重构出更多隐藏的细节信息。（3）针对现有图像融合方法难以处理近红外和可见光图像之间的较大差异,导致融合结果中存在的饱和度失真问题,本文提出了一种保留颜色特征的生成对抗网络用于融合近红外和可见光图像对。由于生成对抗网络在多分布拟合问题上的有效性已被证实,本文利用生成器和判别器进行对抗训练,从而达到同时保留细节和颜色信息的目的。同时,在判别器中引入了一种简单且实用的注意力机制,确保在重构颜色信息的同时不会破坏近红外细节信息。