近几年来,红外与可见光图像融合算法不断推陈出新,但非下采样轮廓波变换（Non-subsampled Contourlet Transform,NSCT）凭借着平移不变性,具有多尺寸多方向等优点,依旧被广泛应用于红外与可见光图像融合领域之中,伴随着深度学习的快速发展,本文以NSCT为基础融合框架,结合深度学习在图像处理领域优势,通过深度学习与NSCT的有效结合,提升最终的融合图像质量。本文具体工作如下:1)为改善图像融合过程中来自红外目标信息缺失,融合图像中目标模糊与背景对比度低的问题,提出一种卷积神经网络（Convolutional Neural Network,CNN）结合NSCT的红外与可见光图像融合方法。首先,利用深度学习卷积神经网络学习能力,训练针对红外目标提取的神经网络,从而获取红外图像的目标显著图。而后,以目标显著图为基准来指导NSCT的融合过程,使其保留充分的红外目标信息。实验结果证明,融合图像“Nato＿camp”中信息熵、空间频率、互信息、像素交叉熵4种评价指标相较于对比算法提升了2.89%、2.23%、0.11%、5.95%;融合图像“Kaptein”中信息熵、空间频率、互信息、像素交叉熵4种评价指标提升了1.83%、3.34%、1.27%、0.04%;保证了红外目标特征在融合过程中目标信息的完整性,又做到融合图像的最终质量在多种客观评价指标上均有所提升。2)为了解决最终融合图像的分辨率较低,放大后局部信息在最终融合图像中较为模糊,缺少空间信息的问题。提出一种基于生成对抗网络（Generative Adversarial Network,GAN）的超分辨率重构结合NSCT的红外与可见光图像融合方法。利用SRGAN对外部经验的学习,对红外与可见光图像进行超分辨率重构。然后,利用自适应引导滤波对NSCT的低频子带提取近似图像与细节图像,以保证最终图像的低频信息的梯度。实验结果表明,融合图像“Kaptein”相较对比方法在信息熵、平均梯度、空间频率、像素互信息、像素交叉熵五种客观评价指标上分别提升了0.002%、57%、14%、0.003%、24%;融合图像“Nato＿camp”在平均梯度、空间频率、像素互信息三种客观评价指标上分别提升了58%、13%、8%;证明了SRGAN对红外与可见光图像融合质量的提升,主观上融合图像更适合人类视觉系统观察。综上,本文提出方法旨在提升最终融合图像质量,探讨深度学习与非下采样轮廓波变化有效结合的优势与可行性,实验结果表明,相较于其他方法下红外与可见光图像融合结果,本文方法在各个客观评价指标上均有一定程度的提升。