第一代Curvelet变换存在着一些不足,如第一代Curvelet的数字实现比较复杂,而且,第一代Curvelet金字塔的分解也带来了巨大的数据冗余量,针对以上不足,本文引出了实现更简单、更便于理解的快速Curvelet变换算法,即第二代Curvelet变换。进而,详细介绍了第二代Curvelet变换理论、性质、实现方法、以及在图像处理中的应用。待融合原图对融合结果有着非常重要影响,即原图画质差将直接导致融合处理的失败。并且在现实中,通过比较发现,红外图像存在着一系列的噪声、低对比度、低分辨率等问题。针对以上问题,对红外图像进行了进一步的特征分析,指出红外图像存在着多种噪声,同时,红外图像存在着对比度低、视觉效果模糊,清晰度低等特征,进而引出了下文对红外图像的去噪处理,以及对融合结果图的增强处理。针对现有的红外图像去噪算法的一些不足,如硬阈值算法在含有丰富边缘图像中会产生许多“人为”噪声点,软阈值算法造成了一定的高频信息损失,其结果导致了图像的边缘模糊,折中阈值去噪法在阈值的选取上过于单一化,不适合抑制红外图像分布错综复杂的噪声,故本文提出了一种阈值补偿函数,使用这种算法,不但可以实现能量自适应抑噪,而且能够保留图像的边缘信息,取得较好的抑噪效果。针对Curvelet变换在图像细节信息的保留上存在的不足,和小波变换不能很好的保留图像的长边缘信息的问题,本文提出了基于Curvelet变换与小波变换相结合的融合算法,将两个变换结合目的是取各自优势,互补劣势,使图像的长边缘信息和点细节信息都得到很好的保留。同时,在融合规则上也提出了一种新的信号强度比法,大量的实验数据表明,使用该融合规则,融合结果能更好的保留目标信息和光谱信息,证明该算法存在着很强的优势。最后,针对融合结果图的整体画质不理想问题,本文研究了基于Curvelet变换的图像增强算法,针对现有的单阈值增强算法和双阈值增强算法的不足,如单阈值增强算法在增强图像细节的同时,对噪声进行了放大,双阈值增强算法会造成噪声的过抑制,即抑制了噪声的同时,图像的细节信息也遭到了模糊,本文提出了一种基于Curvelet变换的自适应阈值的图像增强算法,该算法在不放大噪声的基础上,又加强的图像的边缘信息。由大量的实验证明,该算法比传统的直方图均衡,单阈值增强,双阈值增强都有着很强的优势,对增强后的结果图的细节、纹理、清晰度都有很大改善。