图像作为最简洁和最具表现力的视觉语言,在当前这个信息时代占据着举足轻重的作用。由于成像设备的不完备以及拍摄技术的不成熟,导致获取的图像所表达的信息不清晰,难以满足现实需求。而解决图像质量的一种常用手段是多聚焦图像融合。多聚焦图像融合作为一种提升图像质量的有效方法,通过手工设计的融合规则将同一场景下多幅不同焦距的图像融合成一幅全清晰的图像。现有的方法根据使用的技术被划分为:基于传统的方法和基于深度学习的方法。基于传统的方法存在的问题是融合图像质量相对较低,而基于深度学习的方法存在的问题是融合速率较慢。为了解决现有方法存在的问题,本论文针对融合质量和融合速率进行如下研究:1.针对融合速率和融合质量不能兼顾问题,提出基于离散切比雪夫矩深度神经网络的多聚焦图像融合方法。该方法的网络模型仅包含四个卷积层。第一个卷积层的参数由离散切比雪夫矩系数固定,有效提取图像的低频特征。后三个卷积层用于低频特征分类,替代传统方法中的聚焦度量。因此,该方法兼顾了融合质量和融合速率。在多个数据集上验证了本文提出的方法参数较少（0.01M的参数量vs.常规卷积神经网络的4.93M参数量）,能快速生成融合图像（0.32s vs.常规卷积神经网络的79.09s融合速率）。2.针对上一个方法存在的缺陷以及新发现的同质区域难区分问题,提出基于对比学习的多聚焦图像融合方法。基于分类的多聚焦图像方法在源图像的同质区域容易出现误分类,极大的降低了融合质量。因此,在输入层次,仍然使用低阶的离散切比雪夫矩固定卷积提取图像的低频信息。然后将低频信息送入一个大尺度阶数融合卷积对提取的不同阶特征进行融合,一方面增强同类特征的相关性,另一方面拉大异类特征的差异。最后,将融合后的特征输入全连接层进行聚焦度量,并输出决策图用于融合。此外,在训练过程中,对比学习损失被设计用于监督融合卷积,增强其对聚焦像素和离焦像素的辨别能力。在多个数据集上验证了所提出的方法性能更优,且无后处理。