近年来,红外与可见光图像融合在各种基于视觉的应用中具有重要意义,因此受到越来越多的关注。然而,现有的融合方法中,一般都要求输入的多张源图像和输出的融合图像的空间分辨率一致,这在很大程度上阻碍了这些方法在实际场景中的应用。并且,当源图像分辨率都较低时,得到的融合图像分辨率也会比较低,即所包含的信息不够充分。针对这些问题,本文提出了一种基于元学习的任意分辨率的红外和可见光图像融合网络,有效提高不同分辨率的红外与可见光融合图像。具体方法如下:1)提出了一种基于元学习的红外光与可见光图像超分辨率与融合深度框架。与现有的大多数图像融合方法不同,本文所提出的框架可以接收不同分辨率的红外光图像和可见光图像作为输入,并且训练一次生成的模型就可以用于任意分辨率的红外与可见光图像超分辨率与融合任务,具有重要的实际应用意义。2)提出了一种基于双重注意力机制的特征融合模块,该模块从特征图的通道维度和空间维度去自适应地突出显著的特征,并将不同源图像的特征图融合成一个特征图。该模块通过合理的融合策略设计,更好地保留了源图像的信息,从而提升了融合图像质量。3)提出了一种残差补偿模块,该模块用于补偿源图像特征图在上采样时所丢失的或失真的信息,并且迭代使用以增强网络在细节提取方面的能力,从而提升超分辨率结果和融合结果的质量。4)通过同时实现图像超分辨率与融合,来制定基于多任务学习的损失函数,该损失函数有助于网络学习到更好的特征,最终提高融合结果的质量。此外,本文还提出了一种基于感知色彩校正理论的对比度损失算法,作为损失函数的一部分。