红外与可见光图像融合算法在图像融合领域中占有重要地位,该融合技术能够应用在多个领域,比如军事侦查、医疗、遥感卫星等领域。红外图像中的目标能够在全天候的情况下被观察到,但该图像中的细节信息不够清晰,而可见光图像虽然含有丰富的细节信息,但因为该图像对环境要求高,不能被全天候或者恶劣天气下观察到清晰的目标,因此将红外图像与可见光图像融合后有重大意义。红外与可见光图像融合方法主要分为两种方式,一种是采用传统的方法,而另一种则是采用深度学习的方法。传统方法起源早,但其需要手动的配置融合规则,计算复杂度高,融合效率较低,所以近年来深度学习方法因能自动更新权重能够在一定程度上突破传统方法存在的局限性而得到广泛应用,不能采用有监督的方式对红外与可见光图像进行融合,因为其没有可作为参考的融合图像。在本文中,提出了两种基于无监督学习的算法对红外与可见光图像进行融合。其中对网络结构和目标函数两个方面进行创新,主要的创新点如下:（1）首先提出了一个卷积核正交化的无监督网络结构,通过将没有正交的视角参数计算与正交之间的距离作为损失函数的其中一项进行参数的优化更新,以减少视角冗余,其次采用每个方向上的梯度损失,确保融合图像与可见光图像更为相似,最后采用亮度加权的方法避免融合结果中的亮度退化问题。（2）将红外与可见光图像融合任务当作有条件的加权模型,从而将其转换为条件概率学习任务。通过构建一个多级交叉耦合网络结构生成一对条件概率,在编码器中通过提取不同级别的、交叉耦合的条件特征,使得解码器可以直接生成一对条件概率从而产生融合结果,另外,提出了一种有效的由LC显著性和亮度组成的加权保真度和结构损失组成的损失函数训练网络。两种算法与现存的其他图像融合方法进行对比后能够生成更好的融合结果。第一种算法的图像融合评价指标与对比方法中最优的相比平均提升了百分之十,而第二种算法平均提升了百分之二十。