随着图像处理技术的日益发展,图像融合技术逐渐成为其中重要组成部分,图像融合技术应用范围也日渐广泛。海洋探测就是其中一个应用方向,海洋环境比较复杂,海洋监测会受到时间、天气等因素的影响。并且不同的图像传感器有各自不同的优缺点。其中偏振图像传感器可以穿透海雾成像,克服海面耀斑对目标的影响,但图像信息丰富度较差;红外图像传感器根据探测目标与附近环境发射的热辐射差距检测目标,亮度与天气环境等基本不会影响红外成像;可见光图像传感器信息丰富,但易受环境影响。因此三者进行融合,则可取长补短达到提升图像质量的目的。但是红外、偏振与可见光三种图像融合,如何在提升融合效果的同时使计算量相对减少。为了解决上述问题,本文提出基于机器学习的多传感器图像融合算法,该算法的总体思路为:将预处理得到的偏振、红外和可见光图像传感器获取的图像输入系统。首先使用改进的CNN模型提取其预处理得到的偏振图像和可见光图像的特征数据进行初次融合,进而采用NSCT对特征融合图像和红外图像进行多尺度分解和多方向分解。最后对子带图像低频采用加权平均融合规则减少计算量,高频子带图像采用像元最大值融合规则进行融合以提高边缘保持性,得到最终融合图像。该算法融合图像结构相似度、平均梯度和空间频率上相比NSCT和WT融合算法分别提升了4.4%和38.9%、37.2%和17.5%、46.3%和27.8%。其充分利用了红外图像亮度、强度信息和偏振图像提升图像质量,使得目标突出背景明显,从而达到清晰识别海面目标的目的。