图像融合是将对同一场景采集的两种不同类型的图像进行组合,分别提取各自有价值的信息,最终合成为一幅包含更精准,更丰富,更全面信息图像的处理过程。图像融合目前在医疗诊断、地物检测、军事侦察等领域都具有广泛应用,因此受到了广大研究者的关注。图像融合根据图像属性或者成像方式的不同可分为红外与可见光图像融合、医学图像融合、多光谱与全色图像融合和多聚焦图像融合等,按融合层次可分为像素级融合、特征级融合和决策级融合。本文主要研究的是多光谱与全色图像的像素级融合,重点围绕提高图像融合效率与提升图像融合质量两方面进行展开,针对不同的研究重点,从图像的特征提取与融合规则等不同方面进行深入系统性的探究,具体工作安排如下:首先,介绍了课题的研究背景、意义以及发展现状,对图像融合领域现存的问题进行了归纳总结,并对融合图像的质量评价标准进行了简要的介绍。探究了经典的图像融合方法,主要探究了基于成分替换与基于多尺度分析两类融合算法,包括IHS变换、PCA变换、小波变换和轮廓波变换,并对每个经典算法进行了实验仿真分析。然后,针对传统非下采样轮廓波变换(NSCT)在图像融合中计算量大、效率较低的弊端,提出一种快速的多光谱与全色图像融合算法。采用多通道结构滤波器组代替原有的树形结构滤波器组结构,并针对多光谱与全色图像数据源的特点,与IHS变换相结合,在不影响融合图像质量的前提下提高算法效率。通过实验验证,经过该算法所得的融合图像质量与传统NSCT算法所得融合图像质量几乎相同,并且大幅度地减少了算法的运算时间。最后,为了获得既具有丰富光谱信息同时又具有较高空间分辨率的多光谱图像,本文提出一种基于快速非下采样轮廓波变换(FNSCT)与萤火虫优化的自适应脉冲耦合神经网络(PCNN)相结合的图像融合算法。由于PCNN中的参数常常通过经验值设定,因此,本文对PCNN中链接强度和链接范围进行自适应化,并引入具有较高寻优精度的萤火虫优化算法,对PCNN的其他参数进行寻优。多组实验证明,本文算法在多光谱与全色图像融合上达到了较好的客观指标与主观视觉效果,能够保证多光谱图像较高光谱保真度的同时增强其空间分布。