图像融合是计算机视觉领域的一项关键技术,旨在整合同一场景中不同模态传感器捕获的图像,增强对场景的理解。图像融合的关键问题是从源图像中充分地提取互补信息,并将它们结合在一起,生成强度信息显著、边缘轮廓清晰、细节纹理丰富、视觉质量好的融合图像。红外传感器能够依据目标的热辐射信息在夜视或伪装环境下成像,实现全天时/全天候工作。但是红外传感器捕获的图像往往具有较低的分辨率,缺乏细节纹理信息。可见光传感器通过物体反射的光谱信息成像,能够捕获丰富的背景信息,具有较高的分辨率。但是光照变化或者恶劣天气都会干扰可见光传感器工作。由于上述红外与可见光图像之间强大的互补性,二者的融合能够更全面的描述场景信息,被广泛应用在目标检测、识别、跟踪等机器视觉任务中。因此,本文主要针对红外与可见光图像融合技术展开了研究,从多层次信息获取的角度出发,探索不同层次信息之间传递与结合的方式,从而实现红外与可见光图像的高质量融合。本文主要的创新性研究工作及成果总结如下:（1）基于多层低秩分解和显著性的红外与可见光图像融合算法一些传统的图像融合算法在设计融合规则时,未能充分利用输入图像本身的显著语义信息和一些纹理轮廓,导致融合图像目标区域不显著、边缘轮廓模糊。针对这些问题,本文提出了一种基于多层低秩分解和显著性的红外与可见光图像融合方法。首先,为了便于融合规则的设计,利用隐式低秩表示方法,将源图像分解为包含强度信息的基层和包含纹理信息的细节层。然后,在基层融合阶段,为提高融合图像显著目标区域的像素强度和视觉质量,构建了一种由输入图像显著图作为引导的融合策略。另外,为增强纹理信息丰富性和边缘轮廓清晰度,在细节层融合时引入了梯度信息。最后,将融合后的基层图像和细节层图像重构得到融合结果。一系列消融实验证明了所提融合方法各创新模块的有效性。该方法在三个公开数据集上与9种融合算法进行了对比,实验结果表明在定性和定量评价方面所提算法融合性能均超越了其它对比算法。（2）基于多层混合传递的红外与可见光图像融合网络卷积神经网络以其优异的特征提取能力逐渐被应用在红外与可见光图像融合领域。然而,大多数深度学习图像融合网络未充分考虑不同层次特征之间的交流,造成融合图像信息的缺失。此外,一些深度学习网络仍然依赖于设计复杂的融合规则来保证融合图像的质量,使得图像融合变为一项计算量大的任务。为解决上述问题,本文提出了一种多层混合传递网络用于红外与可见光图像融合。该网络主要由多层残差编码模块和混合传递解码模块组成。在编码过程中,考虑到红外与可见光图像较大的差异性,设计了两个独立残差编码分支来提取红外与可见光图像的多层次特征。为降低网络模型复杂度,利用连接卷积操作代替复杂的融合规则对同一层特征进行整合,获取各层次的融合特征图。在解码过程中,为提高融合图像的信息丰富性,构建了一种混合传递解码模块来充分利用不同层次的特征。该模块包含交叉传递和跳跃传递两个部分,交叉传递的目的是使不同层次的特征相互补充,充分融合,跳跃传递旨在弥补解码过程中的信息损失,从而将更多特征传递到融合结果中,提高融合图像的质量。本文在三个公开数据集上测试了所设计网络的性能,实验结果表明该网络不仅能够实现高质量的图像融合,而且能够快速高效地运行。（3）基于多层稀疏型密集连接的红外与可见光图像融合网络本文进一步探索了不同层次信息之间的传递方式,提出了一种多层稀疏型密集连接网络来实现红外与可见光图像融合。密集连接卷积网络可以将每层的输出连接到之后的所有层,能够有效地增强不同层次之间的特征传递。然而,各层网络结构之间过于稠密的连接势必会带来模型复杂度的增加。此外,太多的特征复用也会造成一定程度的信息冗余,降低网络图像融合的性能。综合考虑这些问题,本文设计了一种多层稀疏型密集连接结构,该结构简化了密集连接卷积网络,以一种间隔的信息传递方式代替输入和输出之间的稠密连接,从而在增强多层信息之间交流的同时,减少模型参数和特征冗余。本文在三个公开数据集上测试了所提算法的性能,大量的实验证明所提算法在保证高质量图像融合的同时,能够以更快的速度运行。