图像融合作为信息融合的重要组成部分,是当前图像处理技术领域的热点之一。多聚焦图像融合是图像融合领域中必不可少的一部分,也得到了学者们的广泛研究。在拍摄照片的过程中,由于物体或相机的运动,不同的焦距会使很多相机得到的图片模糊和配准不良,并且在不同景深下难以对画面中的所有对象进行聚焦,这些因素严重降低了多聚焦图像的融合质量,使得很难得到各个层面上的完整信息。所以多聚焦图像融合可以从在不同焦点设置下获取的一组图像中,生成一个多聚焦图像。使融合后的图像能够保留多个源图像的特征信息,更全面的描述全部场景,并且有利于进行后续的图像处理。在图像采集过程中,不可避免地会遇到噪声的损坏,而实施图像融合会产生噪声积累,从而导致融合后的图像质量下降。使得多聚焦噪声图像融合成为一项非常具有挑战性的任务。然而,目前还没有真正的自适应噪声图像融合算法。本文通过分析多聚焦噪声图像的特性,分别针对双尺度变换分解后得到的基础层和细节层的各自特征,提出不同的融合规则,使融合图像在细节保存和有效降噪方面都有较大的改善效果。本文的主要工作及创新点如下:1.提出了一种对卷积稀疏表示进行边界处理的多聚焦噪声图像融合算法。该算法首先通过双尺度图像分解将源图像分解为基础层和细节层。其次,卷积稀疏表示的大量计算成本通过在频域中求解而大大降低,而边界处理可以有效避免产生边界伪影,因此,通过对卷积稀疏表示在频域中求解时进行边界处理以完成细节层系数的融合。基础层通过加权局部能量（Weighted Local Energy,WLE）和基于八邻域的改进拉普拉斯算子的加权和（Weighted Sum of Eight-neighborhood-based Modified Laplacian,WSEML）,解决了多聚焦图像融合中的边缘轮廓信息的提取等关键问题。最后,融合图像被计算为基础层和细节层的叠加。2.提出了一种带有梯度项的卷积稀疏表示和空间频率相结合的多聚焦噪声图像融合算法。该算法首先将通过双尺度图像分解得到的基础层,利用空间频率（Spatial Frequency,SF）对聚焦区域进行判断,通过空间频率和选择最大策略,得到融合后的基础层系数。其次,将通过源图像减去基础层得到的细节层,选用交替方向乘子算法（Alternating Direction Method of Multipliers,ADMM）求解带有梯度项的卷积稀疏系数,完成细节层系数的融合。本章通过不同的融合策略得到对应的子带系数,最后叠加得到融合结果。实验结果表明,与最近现有算法相比,本文所提出的多聚焦图像融合算法可以获得更优的主观视觉效果和客观评价指标。