由于不同传感器所获取的图像信息具有单一性,很难实现对目标物的精确描述。在这样的背景下,图像融合技术受到了研究者的广泛关注。该技术将来自同一场景在不同传感器下拍摄的图像信息进行综合,生成一幅有关该场景的描述,这一描述是无法从单一源图像信息里获得的,能有效综合不同传感器所获得图像信息的互补性,为观察对象提供一个更精确的描述。因此,该技术已被成功应用到医学成像、遥感、军事防御、机器视觉等多个领域中。在现有的图像融合方法中,通常都采用单个字典来表示图像的不同成分。由于图像不同成分具有不同特征,单个字典很难实现对不同成分的有效表示。且大多数研究都是假设源图像是在精确配准、无噪的情况下获得的,这显然不能满足现实的需要。本文针对现有图像融合方法的缺陷和不足,提出了如下三种基于多成分分析的图像融合方法:（1）针对无噪声图像的融合,提出了一种基于多成分字典学习和卡通纹理成分分解的多源图像融合方法。为能将源图像中不同形态结构的卡通-纹理成分分离,本方法把图像的分解问题转化为图像的分类问题,并设计了卡通-纹理判别字典学习模型。考虑到图像分解不仅与所学习的字典有关,还与分解的策略有关的事实,设计了一种新的图像分解模型。在该模型中,纹理成分看成是叠加在源图像卡通成分上的噪声,并引入非局部均值相似性的一致性正则项,来约束稀疏编码系数的解空间。最后,根据对应成分的稀疏编码l₁范数值最大来选取融合图像的稀疏编码系数。（2）针对噪声图像的融合,提出了一种基于判别字典学习与多成分分解的细节保护噪声图像融合方法。为克服传统字典学习方法的不足,在设计字典学习模型时,将图像建模为粗尺度背景成分和细尺度精细成分的叠加。引入加权核范数正则化项来描述细尺度成分,并对粗尺度成分添加稀疏约束,来提高不同成分字典的判别能力。为了更好的将图像成分分离,在图像分解模型中,引入一种新型的加权Schatten稀疏核范数正则化方法,来提取细尺度成分。利用图像的非局部自相似性来估计噪声中的细尺度成分,同时利用基于梯度直方图约束的梯度保持项来保留噪声中的粗尺度成分。最后,对不同成分的编码系数进行融合处理。（3）前两种方法的融合规则都比较简单,因此,针对无噪图像提出了一种基于图像低秩与稀疏成分分解和脉冲神经网络（Pulse Coupled Neural Networks,PCNN）相结合的图像融合方法。该方法在低秩分解的基础上,结合稀疏表示,通过不同的字典,对不同成分进行稀疏表达得到对应成分的稀疏编码系数。在融合过程中,对于低秩成分,为了保留源图像的亮度信息,采用一种“绝对值”取大的策略进行融合;对于稀疏成分,采用其特征梯度来激励PCNN,选取点火次数较大的系数作为融合图像的稀疏成分编码系数。