红外和可见光成像技术在军事、医疗、安防、交通、电力等领域都有着广泛的应用。图像融合旨在综合多模态图像表征的关键互补信息,创建信息更加全面和完整的融合图像。因此,红外和可见光图像融合既有助于丰富人类视觉理解和提升模式识别效果,又能够推动红外和可见光成像技术的进一步应用发展,具有重要的研究意义和应用价值。为满足实际应用要求,本文利用深度学习技术深入挖掘了多模态图像的语义信息,开展了基于深度学习的红外和可见光图像融合方法研究。本文的主要研究内容及创新性工作如下。由于不存在理想输出作为标记信息,图像融合是一种无监督学习任务。针对深度学习融合方法中存在的约束设计难点,本文提出了一种基于生成对抗和孪生网络的图像融合方法,利用图像的全局语义信息作为先验知识来驱动融合。在模型设计方面,设计了基于残差学习的融合网络结构,提升了非线性融合建模能力。在模型优化方面,设计了基于孪生网络的判别网络结构和基于模态信息完整度的判别规则,实现了高质量的无监督学习。在模型训练方面,从像素、结构、模态三个层次构建了损失函数,对训练过程进行了有效约束。实验结果表明,所提方法能够创建多模态信息完整性和准确性较高的融合图像。复杂场景下的多模态图像存在信息冗余,但现有方法在图像融合中对关键信息的选择和表达能力有限,导致融合图像所含信息失准和视觉表现失真。针对这个问题,本文提出了一种结合注意力机制的图像融合方法,利用图像的关键语义信息来提升融合表现。一方面,构建了基于注意力机制的特征校准模块,准确充分地挖掘了多模态图像的重要语义属性和显著内容信息,为深层特征分配了通道和空间上的注意力。另一方面,为提升融合过程中信息的一致性和准确性,基于密集连接思想建立了信息流动通路,实现了特征的流动和多级复用。实验结果表明,所提方法能够实现多模态关键信息的自适应选择和准确表达,进而创建视觉效果较优的融合图像。最后,本文还提出了兼具上述优势的组合方法,并基于变电巡检数据进行了应用实验。实验结果表明,红外和可见光图像融合有助于丰富人类视觉理解和提升目标检测效果,具有重要的实用价值。