20世纪70年代以来,随着在军事、国防、航空和其他高新科技领域的广泛应用,多传感器数据融合已经成为一个热门的前沿研究方向。多传感器数据融合技术是指在原始信息不确定的情况下,将多个传感器在不同时间内测量的数据进行联合、关联、组合,从而获得更加全面、可靠的数据信息。其主要特点是融合不同来源的互补信息,提高融合性能,因此在图像去噪中有着重要的作用。随着人工神经网络的发展,神经网络在并行计算以及大规模数据处理方面表现出了极大的优越性,多传感器图像信息融合技术也因此得到了快速发展。本文主要研究了一种基于线性约束最小二乘法(LCLS)的神经动力学方法,这种方法能够很好的提高图像融合质量,提升图像去噪能力。基于LCLS模型的神经动力学方法不仅能解决噪声协方差信息未知条件下的图像融合问题,还能够克服噪声协方差矩阵的奇异性等缺点。基于LCLS模型的图像融合基本思想是通过最小化观测数据与实际数据之间的误差平方函数,获得彩色图像R、G、B通道中的最优权重系数,再将传感器采集到的图像信息乘以权重系数,经过线性加权得到各自通道下的融合图像,最终合成三通道的融合信息得到去噪后的图像。为了获取各个通道下的最优权重系数,本论文引用了一种递归神经网络算法,它是一种连续时间神经动力学融合算法。它能够克服LCLS模型中样本方差矩阵的奇异性,并且可以简单有效地处理线性条件约束。最终证明该递归神经网络能够收敛到全局最优融合权重。仿真结果验证了神经学动力方法的有效性和可靠性。