多波段图像融合是智能探测系统的关键技术之一。由于当前图像融合方法多以两幅图像为融合对象,并且需依赖先验知识选择图像分解滤波器、分解层数和融合规则等,导致融合效果存在很大不确定性,无法适应当前智能探测系统对自适应融合的需求,所以本文利用深度神经网络自动学习合适的模型对多波段图像自适应融合:(1)提出了多波段图像融合分解重构滤波器自适应方法。针对多尺度变换(Multi-scale Transform,MST)融合方法需依先验知识选择合适分解滤波器的问题,在训练基本单元的基础上堆叠基本单元构建深度堆叠卷积神经网络(Deep Stacked Convolutional Neural Network,DSCNN),利用相同数据集端对端调整DSCNN。多波段图像经过DSCNN可自适应分解为高频图像和低频图像,实现了多波段图像融合过程中分解重构滤波器自适应。(2)提出了多波段图像融合规则自适应方法。针对传统融合方法需依赖先验知识选择合适融合规则的问题,通过建立合适的数据集,训练深度门卷积神经网络(Deep Gate Convolutional Neural Network,DGCNN)实现多波段图像融合过程中融合规则自适应。将多波段图像经DSCNN的分解结果输入到DGCNN,二者共同实现了多波段图像自适应融合。(3)提出了多波段融合图像彩色化自适应方法。针对灰度融合结果不利于人眼观察的问题,通过建立合适的数据集,训练深度卷积神经网络(Deep Convolutional Neural Network,DCNN)使其根据输入的灰度图像自适应生成颜色信息,实现多波段融合图像自适应彩色化。