近年来,图像融合在信息融合,计算机视觉和机器学习等新兴科技领域中发挥着至关重要的作用。在一些机器视觉任务中,现有的成像传感器设备仍然存在技术上的局限性,使得摄像机的镜头只能聚焦在自然场景中特定景深或一定距离内且具有高对比度和清晰度的物体上,否则目标就会变得模糊。因此,为了可以精确地评估输入图像的模糊度,识别出尽可能多的目标和细节信息以及高清晰度区域,并将这些有效的数据结合起来生成信息量更加丰富的图像,本文提出了两种使用聚焦区域检测策略来实现多焦点图像融合的算法:（1）基于引导滤波器组与梯度协方差矩阵的多聚焦图像融合该算法经过对输入图像执行高斯拉普拉斯滤波和差分处理操作,实现多源聚焦图像高频信息的分离,并利用双尺度分析方法在多源图像处理上的互补特性,以及基于结构的焦点度量方法在高频分量处理上的优势,完成预处理图像在双尺度域的线性混合,获得初始决策图;然后,采用基于一致性检验方法对得到的初始决策图进行分步细化处理,生成融合决策图;最后采用常规的逐像素加权平均方法获得融合图像。实验结果表明,同其它聚焦策略相比,该聚焦区域检测方法对不同噪声具有更高的鲁棒性和聚焦区域识别能力。（2）基于引导滤波器组与NSML的多聚焦图像融合该算法通过对源图像进行均值滤波和借助数字减影技术获得目标图像的显著区域,并利用改进拉普拉斯算子对减影图像进行双尺度分解得到对应的粗略聚焦区域和细化聚焦区域;然后,采用像素级线性混合规则生成初始决策图,再借助一致性检验方法对其进行细化以获得最终决策图;最后,综合产生的结果重构出新的融合图像。实验结果表明,改进算法相较于用于对照的融合算法生成的融合图像对噪声具有更强的鲁棒性,对待融合图像中小的散焦或聚焦区域有更好的识别能力,识别出的边缘信息也更加清晰、光滑。