图像融合作为图像处理的一个重要分支,现在已经广泛地应用在计算机视觉、临床医学和数字成像等领域。多聚焦图像融合将同一场景多个图像中有用信息融合到一幅图像的过程。本文主要针对多聚焦图像融合方法进行研究,改进了两种多聚焦图像融合方法,并对两种方法进行评价。本文完成工作主要包括三个方面:1.改进了结合视觉显著性和小波变换的多聚焦图像融合算法。首先对显著性进行改进,得到多尺度谱残差模型,然后对两幅源图像进行小波变换,得到源图像的低频系数和高频系数,采用多尺度谱残差模型对低频系数进行融合,高频系数采用局部平均梯度进行融合,最后对通过不同的融合规则融合后的高低频系数进行小波逆变换得到最终的融合图像。2.改进了结合卷积神经网络(Convolutional Neural Networks,CNN)与代数多重网格(Algebraic Multi-Grid,AMG)的多聚焦图像融合算法。首先分别使用CNN分割和分水岭分割对多幅源图像中的一幅图像进行分割,得到CNN和分水岭的分割结果,CNN分割结果较为准确,但是区域边界为多像素边界;分水岭分割结果存在过分割现象,每个区域面积较小,通过分割结果中面积较小区域进行清晰度的判断不够准确。因此综合两者的优势,利用CNN分割结果引导分水岭分割进行合并,然后对每个合并后的区域使用AMG结果作为清晰度的判断标准进行清晰区域的选定,并进行最终的图像融合。通过和传统融合方法进行比较,可以得出算法具有一定的优越性。3.针对改进的第二个方法进行改进。主要从两个方面进行改进,第一个是对判断图像清晰度的标准进行修改,把均方误差修改为空间频率;第二个是将两幅源图像都进行分割处理,再进行区域合并和最终的融合操作。从改进算法的评价指标值进行分析,改进算法具有一定的优越性。针对上述研究,利用Lytro序列图像和常用的图像对所提算法进行验证,并使用一些评价指标进行评价,与其他方法比较,改进的算法具有一定的优越性。