SAR（Synthetic Aperture Radar,合成孔径雷达）与可见光图像融合,在目标检测、灾害预测、国土资源统计等领域应用广泛,具有重要的研究价值。但是现有融合算法普遍忽视SAR图像对比度低、细节不清晰等问题,致使融合图像丢失SAR图像的重要信息。本文使用深度学习的方法,基于生成对抗网络（Generative Adversarial Networks,GAN）的网络架构,充分利用SAR和可见光图像的细节信息,以及可见光图像的光谱信息,得到高质量的融合图像。主要研究内容如下:（1）针对SAR与可见光图像公开数据集较少,且已公开数据集质量参差不齐的问题,本文选取了东北地区渤海海域、天津滨海新区以及广西南宁郁江附近三个地方的Sentinel-1B SAR图像和Landsat8可见光图像,共获取了215对SAR与可见光图像,并在其中选取36对裁剪得到22488对图像作为训练集,其余179对图像用作测试集。（2）提出了一种DD-GAN（Double Discriminator GAN）算法,该算法包括一个生成器和两个判别器,生成器用于生成融合图像;两个判别器的结构相同,用于评判融合图像的质量。为了对图像特征进行全面提取,并对特征高效利用,在生成器中加入了密集连接块和注意力机制模块。此外,针对融合图像细节不清晰、不利于人类视觉感知等问题,本文提出将对比度良好且细节突出的融合图像,作为预融合图像,用于指导生成器的生成,获得了符合人类视觉感知、细节信息丰富的融合图像,并用融合实验证明了DD-GAN算法的有效性,相较于其他融合算法,DD-GAN算法可以实现直接输入原图像,输出对比度增强效果的融合图像。（3）为了进一步提升融合质量,并减小网络模型的参数,提高模型在应用中的灵活性,本文对RCGAN（Relativistic Coupled GAN）进行改进,提出一种轻量化的DB-GAN（Double Branch GAN）网络,与DD-GAN不同的是,DB-GAN由两个生成器和两个判别器组成,为了减小模型参数并提高图像生成的质量,两个生成器之间和两个判别器之间分别进行权重共享。同时,用轻量化模块Ghost替换生成器和判别器中传统的卷积网络,进一步降低模型参数。最后用融合实验证明DB-GAN算法在降低模型参数的同时,进一步提高了融合图像的质量。（4）将本文算法训练得到的模型,在不同对比度的测试集上测试,发现融合效果不理想,因此,针对模型在对比度不同的测试集上表现较差的问题,本文在4.5节使用混合对比度的图像作为训练集,并和使用单一对比度图像作为训练集得到的模型做对比,验证了使用混合对比度的图像,解决上述问题的可行性。