由于相机的光学镜头景深往往有限,导致使用这些设备采集的图像无法对场景中所有物体做到清晰成像。为了获取整个场景中对每个物体都清晰成像的全聚焦图像,多聚焦图像融合是一种常用技术。它通过融合同一场景中两幅或多幅部分聚焦图像,来生成一幅全聚焦图像。该任务的核心是源图像间聚焦区域的精确检测。为此,本文基于深度神经网络,对多聚焦图像融合问题进行了深入研究。在此基础上,提出两种新算法。论文主要工作如下:首先,针对已有基于卷积神经网络的多聚焦图像融合算法中存在的训练集没有考虑到自然多聚焦图像前后背景分别聚焦情况,且地真不是像素级标注;输出得分图尺寸与输入不一致,没有完成像素级的聚焦区域检测等问题,提出了基于全卷积神经网络的多聚焦图像融合算法。首先,考虑到现阶段没有大规模公开的具有地真的多聚焦图像数据集,介绍了一种用于合成多聚焦图像对的方法,合成了一个多聚焦图像数据库来有效训练深度神经网络。其次,使用一个具有单分支结构的全卷积神经网络来对多聚焦图像融合任务进行建模,并使用整张图像对其进行训练;训练良好的全卷积神经网络可以完成像素级的聚焦区域检测任务,且测试阶段不需要对网络做任何修改。使用全连接条件随机场来精细化网络的输出,进一步提升了融合效果。实验结果表明,所提算法超越了当前主流多聚焦图像融合算法性能。其次,针对已有基于深度神经网络的多聚焦图像融合算法中存在的没有考虑到融合决策图和源图像之间的匹配关系或缺乏精确的聚焦区域检测等问题,提出了基于条件生成对抗网络的多聚焦图像融合算法。该算法受到图像到图像翻译任务的启发,将多聚焦图像融合看作为多图像到单一图像的翻译任务。为了满足多聚焦图像融合中双输入单输出的要求,将生成器中的编码部分设置为孪生网络。为了更加稳定地对网络进行训练且生成高质量的指示源图像中聚焦性质的置信图,使用最小二乘生成对抗网络损失函数来代替原始生成对抗网络损失函数。此外,介绍了一种盘型点扩散函数来更加真实地对散焦场景进行模拟;在此基础上,合成一个大规模多聚焦图像数据库,用于有效训练网络模型。通过卷积条件场优化技术,进一步提升了融合图像的质量。实验结果表明,与当前主流的基于空间域的算法相比,所提算法具有更优越的聚焦区域检测能力;此外,在视觉感知与定量评价两方面,该算法均显示出了优于当前处于领先水平算法的性能。