红外图像受环境干扰小,满足全天候工作需要,然而其通常呈现出低对比度,细节纹理不丰富的缺点。可见光图像在低光照、烟尘、雾霾等环境下难以展现热目标信息。因此,将红外与可见光图像进行融合,生成既有显著性目标和高分辨率纹理细节的融合图像,能为后续视觉任务提供更丰富的语义信息。考虑可见光图像能提供相对丰富的背景特征,而低质量红外图像难以准确描述热目标的细节纹理,对后续的融合会产生较差的结果。针对上述问题,本文围绕红外与可见光图像融合展开以下研究:针对低质量红外图像存在细节模糊、低对比度等问题,本文提出了一种用于红外图像增强的并行多特征提取网络,以提高红外图像表达,丰富细节纹理,从而促进融合图像质量提升。该模型主要包括结构特征映射网络和双尺度特征提取网络,分别用于建立全局结构特征权重和生成目标增强映射。实验验证,本文方法在BSD200和真实红外图像上取得了最佳效果,PSNR与SSIM分别为35.42d B、35.72d B和0.95、0.96,且对不同对比度因子的低质量图像,本文方法也具有良好的增强效果。目前多数红外与可见光图像融合算法在融合过程中通常需要对源图像进行分解,这样易导致融合图像细节模糊和显著性目标丢失。为解决该问题,本文提出了一种基于深度卷积特征提取的图像融合算法。该算法直接对源图像进行特征提取,生成七组融合权重,采用像素最大值策略实现异源图像融合。所有实验均在公共数据集上进行,主、客观实验结果均表明,本文方法能有效地融合红外与可见光图像中的重要信息,突显融合图像的细节纹理。在EN和CC指标上,本文算法较Dense Fuse分别提升了3.31%和3.33%。本文进一步验证了红外图像增强操作对融合任务具有积极的促进作用,同时融合图像具备更好的显著性检测效果和深度估计结果。此外,本文还验证了红外与RGB图像融合的实验效果。最后本文将融合图像应用于目标检测任务,在M~3FD数据集上使用YOLO-v7检测算法对可见光图像、红外图像及融合图像进行目标检测。综合“傍晚”、“夜间”、“烟雾”等场景实验结果,验证了融合图像具有更好的适用性,其中灰度融合图像的m AP达75.77%,相比于可见光和红外,分别提升了4.58%和14.51%;RGB融合图像的m AP为79.19%,较可见光和红外分别提升了9.30%和19.68%。