受到传感器成像机理与材料工艺的限制,由传感器采集到的单一类型图像数据难以全面、准确、清晰地描述场景中的信息。多源成像传感器可提供同一场景下类型不同的图像数据。多源图像融合技术的目的是尽最大可能提取来自多源信道图像数据的互补信息,生成包含更多场景信息的融合图像。现阶段,多源图像融合技术在数码摄像、视频监控、医疗诊断和遥感目标检测等领域得到了广泛应用。本文针对多聚焦图像融合和红外与可见光图像融合中信息保存不足问题,结合先进的稀疏表示模型,研究了基于稀疏表示的多源图像融合方法,有效提高了融合图像的质量。主要研究工作如下:针对图像块稀疏编码引起的融合图像细节信息保存不足问题,为了更好地保留源图像的结构和细节信息,本文提出了一种基于联合卷积分析与综合稀疏表示（Joint Convolutional Analysis and Synthesis Sparse Representation,JCAS）的多聚焦图像融合方法。首先,利用JCAS良好的图像分解能力将源图像进行基础层和细节层分解。其次,分析基础层图像的结构特点,采用基于拉普拉斯金字塔（Laplacian Pyramid,LP）的策略融合基础层图像。然后,分析细节层图像的结构特点,利用基于区域能量的融合策略实现对细节层的有效融合。最后,将融合后的基础层与细节层叠加重构最终的融合图像。实验在常用的十组灰度图像和二十组Lytro彩色图像上进行了算法性能测试。实验结果从视觉分析和客观评价两个角度证明了所提算法比现有融合方法具有更好的融合性能。针对红外与可见光单幅图像低秩稀疏分解引起的融合图像对比度低、目标亮度低等问题,为了进一步提高融合图像的细节信息和整体对比度,本文提出了一种基于联合低秩稀疏分解（Joint Low-rank and Sparse Decomposition,JLRS）的红外与可见光图像融合方法。首先利用JLRS将源图像联合分解成共有低秩分量,特有低秩分量和特有稀疏分量三部分。其次,分析特有低秩分量的结构特点,采用基于非下采样剪切波变换（Non-subsampled Shearlet Transform,NSST）的策略融合特有低秩分量。然后,分析特有稀疏分量的结构特点,利用基于选择区域能量的融合策略对特有稀疏分量融合。最后,将融合后的特有低秩分量和特有低秩分量,与共有低秩分量叠加重构最终的融合图像。实验在Nato-camp、Bristol Eden Project和TNO三组红外与可见光测试数据集上与九种对比方法进行了定性和定量地对比测试。实验结果表明本文方法比现有融合方法具有更佳的视觉质量和评价指标数值。