在现实世界中,场景的动态范围可以达到数十个数量级,然而现有图像采集和显示设备由于受到硬件条件的制约,只能显示出有限的动态范围,导致得到的图像无法完整的表现出场景的所有信息。为了更加真实、完整地记录拍摄场景,现有算法常采用将多幅不同曝光度图像合成为一幅高动态范围图像的方法来提高图像的动态范围。当拍摄场景中存在运动物体时,直接将不同曝光度的图像进行融合会导致生成的高动态范围图像中存在鬼影现象,严重影响图像的质量。针对场景中可能出现的干扰物体闯入和主物体运动这两种情况,本文分别设计了相应的高动态范围图像合成算法用于解决可能出现的鬼影问题。针对拍摄过程中可能出现的干扰物体闯入的情况,本文提出了一种基于背景建模的多曝光图像合成算法。为了能够完整的去除这些干扰物体,本文首先使用时域中值滤波法来进行背景建模,并将得到的背景模型作为参考图像,利用局部背景差分法和中值阈值位图检测法对各幅输入图像进行鬼影检测,使用双检测能够有效弥补单一检测的不足,提高检测的准确率。然后使用零均值归一化互相关系数引导检测运动区域,去除误判的鬼影区域,并引入信息熵因子对权重图进行修正,进一步提高结果图像的动态范围。最后利用多尺度金字塔融合算法将输入多曝光图像与权重图进行融合。针对拍摄过程中运动物体为主物体的情况,本文结合VGGNet网络模型和自动编码器的思想提出并搭建了一个端到端的卷积神经网络。本文将输入图像通过光流法进行简单的配准以生成一组结构相似的图像副本,并以此作为网络的输入。为了保证合成结果图像高频信息与低频信息的完整性,本文在每组卷积层末尾增加了一个跳跃连接层,使编码时丢失的高频信息可以参与到高动态范围图像的重建过程中。通过使用数据集对网络进行训练,使得网络可以直接生成无鬼影的高动态范围结果图像,最后通过色调映射算法将其映射到显示设备上。论文从主观和客观两个方面对算法结果进行评估,实验结果表明本文提出的两种合成算法都能够有效地去除运动物体产生的鬼影,并且能够在扩展图像动态范围的同时生成视觉效果较好的高质量图像。