多聚焦图像融合作为图像融合领域中一个重要的研究方向,能够克服光学镜头成像原理的局限,使整个场景中不同距离的物体都在一幅图像中清晰地呈现出来,有利于目标识别,图像分割等对图像进一步处理的任务。目前,多聚焦图像融合在医学,军事,计算机视觉等领域都有着广阔的应用场景。本文针对多聚焦图像融合采用基于回归的策略对深度网络学习算法进行设计,主要研究内容如下:（1）其他采用全卷积网络的方式通常网络结构较为简单,训练的损失函数也较为单一,训练数据集也不足以模拟聚焦程度的多样性。针对上述问题,本文提出了一种基于循环残差连接和注意力机制相结合的多聚焦图像融合算法。像素级回归策略可以充分利用互补信息,解决了聚焦和散焦区域边界周围清晰程度估计的问题。为了验证本文算法中网络结构和损失函数的合理性,设计了相应的消融实验。消融实验结果表明,本文设计的网络结构和损失函数都可以提升算法的性能。在两个数据集上的实验结果表明,本文算法在大多数指标均优于其他算法。（2）考虑到多尺度特征信息对算法性能的影响,本文提出了基于多尺度分解的多聚焦图像融合算法。为了得到更准确的决策图,本文在网络中加入了空洞空间卷积池化金字塔模块和分层残差连接模块来提取图像的多尺度特征。采用高斯滤波器和均值滤波器进行图像处理生成训练数据集,使数据集中的源图像更加接近真实的多聚焦图像,同时对生成的初始决策图进行相应的后处理操作得到最终的决策图,提高了融合图像的质量。实验结果表明,本文方法在主观视觉效果和客观评价方面均优于其他融合算法。