图像融合是将同一场景由不同传感器获得的两幅或多幅图像在精确配准后融合为一幅图像的过程。融合后的图像不仅能够保留源图像的所有重要信息,而且比单一传感器所呈现的图像更加清晰,信息更加丰富,更容易被人或机器理解。图像融合已经广泛应用于数字成像、医学成像、遥感成像和机器视觉等领域。深度学习模型建立在概率论与统计学以及应用数学之上。它得益于更强大的计算机,更大的数据集和训练更深的网络技术,深度学习的普及性和实用性都有了极大地发展,在计算机视觉,语音识别,图像处理和自然语言处理等许多重要问题上都有着突出的表现。本文将深度学习方法应用于图像融合工作,提出三种图像融合算法。首先,将多聚焦图像融合问题看作聚焦图像块与散焦图像块的分类问题,利用改进后的AlexNet网络模型对多聚焦图像分块与分类。其次,利用超分辨率图像重建网络增强多光谱图像(MS)的空间分辨率,将对应通道的图像分量进行非下采样剪切波(NSST)变换,分别得到若干低频子带和若干高频子带,然后通过逆NSST变换重构获得融合图像。最后提出一种基于卷积神经网络的红外与可见光图像融合算法。利用引导滤波和高斯滤波器组成的尺度感知边缘保护滤波器对输入的源图像进行多尺度分解,对于基础层图像,利用像素强度分布的加权平均融合规则进行图像融合;对于细节层图像,借助卷积神经网络提取空间细节进行信息融合。实验结果表明,相对于一般的传统图像融合算法,运用本文所提的三种图像融合算法得到的融合图像无论在主观视觉还是客观评价指标上都有较好的表现,表明了深度学习方法在图像处理上的有效性。