图像融合是一种信息融合技术,为很多领域带来了实际的应用价值。对于图像融合任务来说,减少融合过程信息的丢失才能获得较好的融合结果。然而,现有的方法一定程度上存在信息缺失,例如人设滤波器组在检测特征激活度时不能够提取图像的全部频率特性,并且图像经过尺度变换后并不能得到完整的变换表示,以及常用的融合策略在决策时过于绝对等问题。本文重点研究基于卷积神经网络(CNN)的图像融合技术,设计了全新的融合框架,能够兼容多种主流的CNNs模型。利用卷积神经网络得到特征映射(feature maps),实现多传感器图像融合。本文所提出的方法可以有效的优化图像融合的三个方面:1)完整的激活度检测,区域检测是图像融合领域的重点之一,基于分层卷积神经网络具有强大的特征提取能力,可以有效地避免传统滤波器的不足;2)准确的图像重构,通过卷积、融合等操作实现图像的变换,然后利用反向重构迭代生成融合图像。卷积变换能够最大限度地获得图像的完整表示。3)可微分的融合策略,本文提出了一种连续可微的融合策略,其目的在于尽可能的保留源图像的细节信息,并嵌入端对端的融合网络训练。最后实验证明本文提出的方法在以上三个方面有明显改善,该方法无论在主观还是客观评估指标上均能获得对目前主流方法较优的水平。