目前高动态范围（HDR）成像技术已普遍应用于各种商业影像行业以及个人手机设备中,其可以获得纹理清晰、颜色信息丰富的图像。使用多曝光图像融合（MEF）方法获得HDR图像是一种有效的手段,大多数多曝光图像融合方法只能在静态场景下取得令人满意的结果,忽视了大部分场景中存在物体运动,这就导致融合结果中存在重影伪影（GA）问题。目前大部分多曝光融合方法去除鬼影重影问题都以牺牲纹理细节为代价。因此本文针对动态场景下多曝光图像融合存在的重影伪影和纹理细节丢失问题,分别提出了基于光照对齐与纹理细节增强和基于U-net的深度HDR成像网络方法,并给出了相应的多曝光图像融合方法。首先,在本文中提出了一种基于光照一致性映射（ICM）、独立成分分析（ICA）和多尺度纹理细节增强的方法。第一步是光照一致性映射,将不同曝光程度的图像统一映射到参考图像相应的光照强度,得到中间图像,此步骤解决了低曝光图像过暗和高曝光图像过亮的问题,直接为融合图像提供了更多的信息。然后使用ICA对中间图像与参考图像做处理,得到纹理细节和亮度差异,并将ICA归一化的结果作为结构块的相似性度量,按照阈值选择包含信息最多的块。最后将多尺度边缘锐化方法作用于选择出的最优块,这样每一块经过多尺度纹理细节增强方法处理后,得到纹理更加清晰的结构块,将增强后的结构块拼接得到最终的融合图像。该方法在测试数据集上进行了大量定量和定性的评估比较,结果在主观方面和客观方面优于目前大多数的MEF方法。其次,为了处理在动态场景下大幅运动导致的鬼影问题,提出一种基于U-net的HDR成像方法。一般使用深度HDR成像时,首先都会对输入图像进行光流配准,但由于图像中物体运动幅度过大,光流配准会出现误匹配问题。本文引入深度神经网络U-net,将HDR成像转成图像平移问题。此方法的网络可以在遮挡、颜色不饱和情况下自动弥补缺失的细节,而用传统的优化方法几乎不可能恢复这些细节。该方法框架有两个分支:第一个分支由ICA提取光照分量和纹理细节。第二个分支是核心U-net框架,由编码器、融合模块和解码器组成,不同曝光的图像传递到不同的编码器,并在融合模块和解码器之前串联起来。在经过以上两个分支处理后融合得到最终的结果图像。该方法在测试集上进行了广泛定性和定量的实验比较,结果证明该方法得到了出色的结果,其中彩色伪影和几何畸变与现有最先进的MEF方法相比显著减少。综上,本文提出了光照一致性和ICA的多曝光图像融合方法,分别处理光照和运动变化,不会出现相互干扰而产生斑点。引入深度卷积网络U-net解决大幅场景运动下产生的鬼影问题,提高了其可行性与稳定性。再接下来,明确了目前对多曝光图像融合方法的下一步研究方向,并对本文提出的多曝光图像融合方法存在的缺点和待改进之处做了简短的描述。