自然界环境复杂,传统的基于单源图像的目标识别准确度较低,无法满足现下高精度、高鲁棒性的目标识别需求。综合利用多源图像的信息融合可以扩展目标的信息描述,丰富目标的特征语义信息,进而提升目标识别效率,并且减小外界因素对于目标识别的干扰。像素级融合方式可以更好的保存源图像的信息,减少图像中目标信息的损失,因此本文使用基于深度学习的像素级融合与目标识别方法,开展多波段目标识别的研究,论文主要工作与创新点如下:（1）研究了当前图像融合、机器学习、目标识别技术的发展现状,对红外与可见光图像成像原理进行研究,并且研究了几种经典的卷积神经网络,对经典神经网络的优缺点做了分析和总结。（2）针对深度学习算法在图像融合中对特征利用不充分,没有很好的将图像浅层与深层信息结合的缺点,提出一种基于改进Dense Net和最大相关最小冗余（m RMR）算法的图像融合方法。融合算法分为三个模块:使用改进Dense Net121的特征提取模块,包括m RMR与ZCA等操作的特征处理模块,使用平均加权的图像重构模块。通过仿真实验的比较分析,证明了该算法相对于当前的主流算法在主观感受上更加自然,噪声引入更少,在六项客观指标上获得了四项最优值。（3）针对单波段目标识别算法识别准确率低,易受环境干扰的缺点,提出一种基于图像融合和改进SSD的多波段目标识别算法。该算法在SSD的基础上,对其网络的Conv3、Conv4层进行密集连接。将Conv3＿3、Conv4＿3层输出的特征加以融合,丰富SSD浅层检测层的语义信息。提出的模型与原模型在公共数据集上进行实验比对,实验结果证明本文提出的DS-SSD模型有着更好的识别性能。为了满足多波段目标识别的需要,对双波段数据集KAIST进行融合和清洗,制作为适合本文实验需要的可见光-红外-融合图像数据集。将DS-SSD模型与第三章的图像融合结合,使用融合图像数据集训练后的DS-SSD模型进行多波段目标识别,并与在可见光和红外图像上的单波段目标识别结果做对比。结果证明,本文提出的基于图像融合的多波段目标识别模型相对于单波段目标识别,有着更好的识别准确率和抗干扰性。