伴随着计算机技术的发展,虽然目前的成像设备已经发展的比较成熟,但是碍于传感器技术的限制,在使用单镜头成像设备的时候很难获得全聚焦图片。即在单镜头的硬件设备之下,一般很难做到将同一画面的中的目标物体和背景聚焦在同一张图片上。利用多聚焦图像融合技术可以很好的解决上述问题,它可以将相同场景但不同焦距目标的多幅图像融合成全焦距图像,主要目的是保留尽可能多的有效观察结果。多聚焦图像融合在数字摄影、遥感图像、计算机视觉、集成成像、医学、军事学等方向均有广阔的应用前景。在上述研究的基础上,本文提出了两种有效处理多聚焦图像融合的网络模型。提出一种基于通道注意力机制的多聚焦融合网络（Channel-based Multistage Calibration Network,CMC-Net）模型。在变化域和空间域的图像融合方法中,活动水平测量和融合规则是最重要的因素。这两个问题都是复杂且费时的,需要分别进行设计。在需要使用人工活动测量和融合规则的变换域方法和空间域方法中,即使尽可能多地考虑影响,也不能考虑所有情况。当深度学习开始应用到多聚焦融合任务的时候,自然的克服了这种困难。鉴于此,利用不同渠道包含有用信息不一致这一特点来增加网络学习能力是一种可行的方式。特别设计的编解码网络包括编码层和解码层,在编码层利用压缩和激励模块提取通道级全局特征以后,在解码层利用这些特征来了解通道之间的关系。这种通道注意机制能够让模型关注信息量较大通道,同时抑制信息含量少的通道。另外还在编码单元中利用了不同尺度来感知模型需要的不同尺度特征,从而提高了多聚焦图像融合任务中聚焦区域和非聚焦区域分割的精度。为了评估所提出的网络模型的性能,利用公开可用的测试集Lytro进行测试实验,证明了所提出的方法具有较高的融合准确性。还提出一种多损失生成对抗网络（Multiple Losses Generative Adversarial Network,ML-GAN）模型用来解决多聚焦图像融合任务。随着对生成对抗网络研究越来越深入,GAN开始在图像融合领域得到应用,但是目前GAN在处理多聚焦图像融合任务时的单对抗损失会导致模型在学习过程中丢失部分细节信息。针对这一问题,提出了一种基于多损失的生成对抗网络模型。其能够加强模型对像素信息和结构信息的细节提取,优化生成器生成图像。通过实验证明在对抗损失中增加像素损失和结构信息损失的有效性和可行性,并且通过与现有的聚焦图像融合算法进行对比,证明提出的方法在多聚焦图像融合任务中也能取得很好的效果。