由于现实生活中拍摄图像效果有时不如人意,因此需要将同一场景下不同聚焦目标的各自清晰区域进行融合,从而得到全局清晰图像,该过程称为多聚焦图像融合。传统图像融合算法中存在模型设计复杂、融合图像质量不佳等问题,而深度学习技术使用神经网络进行图像特征学习,训练快、功能性强,故本文采用卷积神经网络对多聚焦图像融合算法中存在的问题加以优化。论文研究工作主要从下面几个方面进行:(1)针对多聚焦图像融合算法,介绍其融合层次、方法及流程,研究卷积神经网络技术在图像融合中的相关应用。对比分析各种融合算法中存在的优缺点,为后续算法的改进奠定基础。(2)由于传统图像融合算法中需要人为设计局部滤波,在分析卷积神经网络结构及图像融合影响因素的基础上,提出一种基于改进卷积神经网络的多聚焦图像融合算法。将图像融合问题看成二分类问题,在图像融合过程中引入小波包分解,并根据各子带的能量相似性值选择不同的系数重构方法,逆变换得出清晰的待融合图像。通过改进Siamese网络结构,设计不同的网络结构层,选取不同的卷积核,实现多尺度变换,同时引入扩张卷积以减少参数量。利用Adam优化算法反向传播训练,输出清晰图像与模糊图像概率值,最终得出融合结果图。实验结果表明,图像融合指标得到提高,并改善了算法的融合效果,场景适应性更强。(3)为进一步强化图像特征学习,提高图像清晰度,提出一种将无监督学习与卷积神经网络相结合的多聚集图像融合算法。首先对原始图像预处理,然后卷积神经网络初期使用k-means算法聚类各图像块清晰/模糊特征,网络设置相同卷积核,减少参数量,并在不同卷积层使用不同的激活函数;通过空间金字塔池化层固定特征向量,训练得出聚焦决策图,通过像素加权法得出融合图像。对比实验结果可知,使用改进算法提高了网络训练准确率,且融合得到的图像质量效果更佳。