多源图像融合是指提取并综合两个或多个多源图像信息，获得对同一场景或者目标更为准确、全面和可靠的图像，使之更加适合于人眼感知或者计算机的后续处理。多源图像融合在很多领域均有广泛的应用，包括：遥感领域、生物成像领域、无损评价等。图像配准是图像融合的前提，也是图像融合处理中相当关键的一环。图像配准是将不同时间、不同视角、不同设备获得的两幅或更多图像重叠复合的过程，它是指在几何上对齐两幅或多幅图像。图像配准精度的高低直接影响到融合效果的好坏。　　本文的工作围绕基于生成模型的多源图像融合展开,主要研究了多源图像配准和多源图像融合。对于多源图像配准，一般采用的方法是将图像两两配准，这种方法的主要问题是图像配准的精度可能会因为选取的参考图像的不同而有较大影响，而且每次只配准两幅图像会导致效率低，时间开销大。对于图像融合，生成模型解释传感器图像、真实场景图像、传感器选择因子、以及传感器噪声之间的关系。传统求解模型的方法没有考虑传感器选择因子的空间关联性，造成当源图像带较高噪声时，融合效果不理想。本文针对多源图像融合研究中这两个主要问题进行研究，主要创新点和贡献如下：　　①提出了一种基于生成模型的多源图像配准算法。该算法将多幅多源图像集成配准，规避传统两两配准算法中存在的选择依赖和内部不一致的问题，并且同时配准多幅图像将提高效率，减少时间开销。采用混合Student’s t模型(Student’s t mixture model, SMM)对多幅多源图像的联合灰度散点图中的点建立模型并使用期望极大化(expectation maximization, EM)算法迭代求解模型参数，进而求解得到几何变换参数以配准图像。将本文算法与其他经典的图像配准算法应用到不同数据集的配准中，实验结果表明本文算法在不同光照下的人脸图像数据集中配准精度为1.38pixel,较基于混合高斯模型(Gaussian mixture model, GMM)的算法提高20％;在多模态phantom数据集中配准精度为1.31pixel，较基于GMM的算法提高了6%.　　②提出了一种基于生成模型的多源图像融合算法。该算法考虑了模型中的―传感器选择因子‖的空间关联性，利用马尔可夫随机场(Markov random field, MRF)对这种空间关联性进行描述,并且采用全变分(total variation, TV)范式求解生成模型。将本文算法与其他经典融合算法应用到不同信噪比的源图像的融合中，实验结果表明本文算法在偏差、均方误差和相对偏差多个评价指标上获得最好的结果。