高动态范围图像因其宽广的动态范围,在遥感探测、医学检测等众多领域具有广泛的应用前景,从而倍受学者关注。但高动态范围图像的成像设备价格高昂,从而推动人们探索从低动态范围图像获取高动态范围图像的方法。这类方法分为基于单曝光图像和基于多曝光图像。单曝光图像所包含的场景信息十分有限的,其对高动态范围图像信息的有效恢复也十分有限。而多曝光图像中包含更多有效信息,更有利于高动态范围图像的获取。本文主要研究基于多曝光图像的方法。针对静态场景下的现有多曝光融合方法,存在融合权重设计复杂、特征提取不精确、细节信息丢失等问题,本文搭建了一个端到端多曝光融合网络。首先进行图像格式转换,对于两个色度分量通过第一范数来计算权重,亮度分量则输入网络进行融合权重的学习。为了更好地兼顾细节信息,本文将亮度分量进行二尺度分解,分别进行特征提取,通过对输出特征进行归一化来获得权重。为了提升运行效率,本文对基层和细节层都进行下采样,获得的是低分辨率的权重图。然后利用低分辨率原图和高分辨率原图对低分辨率权重进行联合导向上采样,得到高分辨率权重图。最后,结果图像通过简单加权融合得到。针对动态场景中移动物体带来的运动伪影的问题,本文搭建了一个多尺度特征融合网络。网络包括三个并行的融合模块,融合模块由多个连续的残差块组成,其中使用可分离共享卷积和扩张卷积来进行优化。然后,通过在融合模块上加入对中间曝光图像的全局残差连接,加强多曝光图像之间运动部分的对比,帮助消除运动伪影。融合不同尺度上的特征时,使用门控融合,而非简单的拼接。使网络在不降低获取的高动态范围图像效果的同时,降低模型参数量。最后通过大量样本训练,使得网络能够完成动态场景下的无鬼影高动态范围图像获取任务。为检验所搭建的两种网络模型效果,论文进行了不同模块的消去实验,并从主客观两方面进行对比。结果表明,多曝光融合网络保留细节信息的能力更佳。多尺度特征融合网络有着较好的去鬼影能力,获取的高动态范围图像具备良好的视觉效果。