对同一场景同时进行多波段探测成像是新一代高精度探测系统的主要技术特征之一,其目的在于综合利用不同波段探测的互补信息,以获得对场景更全面、更准确的解译。在现有图像融合研究中,模型驱动融合法需依赖大量先验知识,导致算法泛化能力差,不能自适应融合。相比之下,基于深度学习的融合法凭借其优异的特征提取能力和高精度学习能力成为了当下的研究热点。但目前深度学习融合法除同步融合数量少不能满足多波段探测系统的要求外,还存在因输入图像连续卷积而造成融合图像清晰度不高的问题。为此,本文在提出一种多波段图像端到端自适应融合模型构建方法的基础上,结合注意力机制和超分辨率技术,进一步改进了融合网络和融合结果,为多波段高精度探测系统自动化奠定了基础。具体工作如下:(1)提出了多波段图像端到端自适应融合方法。针对多波段图像融合中多尺度几何工具和融合规则设计困难的问题,构建生成对抗网络(Generative Adversarial Network,GAN),将多波段源图像同步输入设计的基于残差的生成网络,通过网络的自适应学习生成融合图像,将该融合图像和标签图像分别送入判别网络,通过判别器的特征表示和分类识别,逐渐优化生成器;在生成器和判别器的动态平衡中,得到最终融合图像,实现端到端自适应。(2)提出了多波段图像注意力机制自适应融合方法。针对多波段同步融合图像普遍存在的清晰度不高、图像细节不丰富的问题,设计混合注意力模型以构建特征增强模块,并连接特征融合模块,有效改善融合图像细节质量。(3)提出了多波段图像多对比度超分融合方法。针对红外源图像分辨率低导致多波段图像融合结果不理想的问题,构建多对比度超分辨率子网,利用成本低、分辨率高的可见光图像辅助提升红外图像,结合注意力增强融合网络,获得信息量多、清晰度高的高分辨率融合图像。