不同品牌和应用场景的光传感器元件以及成像系统的差异导致相机只能对特定位置的目标实现聚焦,而其他位置的目标则因失去焦点变得模糊,因此需要用到图像融合方法来生成全焦图像。但是现有基于变换域图像融合方法存在产生融合图像颜色失真、聚焦和离焦边界仍然模糊的问题,现有空间域方法割裂了图像融合中变换系数活跃度测量与融合规则之间的关联,导致其性能受限。针对上述问题,依据是否具有标准的参考图像,分别提出了基于Siamese网络的有监督训练多聚焦图像融合方法和基于改进CNN深度网络的无监督训练多聚焦图像融合方法。当存在标准参考图像时选用前者,首先利用真实标签训练Siamese网络模型;其次基于Hy Adam C算法优化神经网络,降低网络训练的误差率,然后采用阈值分割和形态学方法处理训练后的初始权重图;最后通过加权融合得到最终融合图像。当不存在标准参考图像时选用后者,首先将两个多焦图像分别经过特征提取子网络得到两个高维非线性特征图,再将其融合得到一个特征图;其次取两个多焦图像对的平均值,经过一层卷积网络后与融合特征相加送入另一个特征提取子网络,将融合输出传递给特征重构子网络;最后将其与从输入图像获得的卷积特征进行融合,再通过一个级联卷积神经网络结构重建融合图像,输出最终融合图像。数据集测试实验结果表明,从主观评价结果来看,所提出方法的融合结果相对于NSCT、MST-SR、GFF和IM四种对比方法聚焦区域提取更加准确,细节信息保留更为完整,清晰度更高,视觉表现较好;从客观评价结果来看,所提出方法在基于相位一致的融合图像评价指标QP、基于区域信息的图像融合质量评估方法QCV、基于视觉信息保真度的新型图像融合评估方法VIFF和图像融合自动化质量评估算法QCB等评价指标上均优于其他四种对比方法。因此,所提出方法能够满足多聚焦图像融合的实际需求,为全焦图像的工程应用奠定了算法基础。该论文有图41幅,表12个,参考文献63篇。