多聚焦图像融合是将同一场景下聚焦不同目标的清晰区域进行融合,来获得全清晰图像,在航空、医学、军事等领域应用十分广泛。该技术涉及图像分割、特征提取和特征层信息融合等多个技术难题,其中特征信息融合为核心问题。然而融合模型的设计常常忽略前后步骤的关联,为了解决模型设计独立和应用场景有限的问题,引入当下流行的深度神经网络技术。本文的研究内容包含以下几个方面:(1)分析研究了不同层次的图像融合方法的操作流程,将融合算法分为基于变换域和空间域两大类,并举例介绍了两种算法的处理步骤,讨论了各个算法框架中滤波器以及融合规则的设计,同时抛出了算法中人为干预过多以及普适性差的问题。(2)针对传统图像融合方法中需人为独立设计局部滤波器的问题,提出基于深度卷积神经网络的图像特征训练算法。将焦点检测归为图像的二分类问题,引入神经网络旨在学习源图像和权值图之间的映射关系。以Siamese网络结构为参照设计一套神经网络,用来训练高质量清晰图像块及其模糊版本,将上述的映射关系进行编码,并在训练过程中采用改进的梯度优化算法。实验结果表明,网络模型收敛的速度有所提升,该方法可以提供更加优越的融合性能。(3)将小波包分解与卷积神经网络相结合,以解决通过卷积网络进行细节提取之后的图片无法区分模糊区域亮斑以及清晰区域暗点的问题。提出了以多频带图像能量相似性度量值为媒介的亮度自适应融合方法,该方法旨在根据图像场景分解的子带图像自适应地选择融合方法,从而避免神经网络权值图中光斑和暗点对融合图像质量的影响。多组实验结果表明,该方法提高了融合结果的质量,拓展了应用的场景。