红外与弱可见光图像融合是一种增强技术,其主要的作用是将两类由不同传感器捕获的同一场景下的图像信息进行融合,从而获得一幅拥有更为丰富场景内容的图像。由于弱可见光图像和红外图像各自不同的成像特性具有明显差异反而使得它们具有良好的互补特性。可见光图像拥有更多的细节纹理信息,但却受到光照、环境、遮蔽物等因素的制约;红外图像通过热辐射成像,虽不具备清晰的细节纹理,但却具有显著的热辐射目标信息且不受光照条件等因素的影响。因此将两者融合,能使得融合后的图像拥有更多显著的目标信息和清晰的背景细节。针对传统融合算法中存在的对比度低、细节信息丢失、可视性差等问题,本文提出两种红外与弱可见光图像融合方法。论文的主要研究内容及创新如下:（1）针对弱可见光图像在光照条件不佳的环境下所存在的对比度低与可视性差的问题,为了提高低照度下的红外与弱可见光图像融合的效果,本文提出一种基于潜在低秩表示与复合滤波的红外与弱可见光增强图像融合方法。利用改进的高动态范围压缩增强方法增强可见光图像提高亮度;然后利用基于潜在低秩表示与复合滤波的分解方法分解增强后的弱可见光和红外图像,得到各自对应的低频和高频分量;再分别使用改进的对比度增强视觉显著图融合方法与改进的加权最小二乘优化融合方法对得到的各个分量进行融合得到最终的融合图像。经实验结果表明,该方法得到的融合图像细节信息更加显著,具有良好的可视性。（2）为了将红外图像的夜间能见度信息与弱可见光图像的纹理细节和环境信息进行融合以生成信息丰富的融合图像,并且能较好的保持来自不同传感器的两类特征信息,防止信息的过度丢失,本文提出了一种新型的深度学习的神经网络模型,以端到端的模式用于红外与弱可见光图像融合。首先,为解决红外与弱可见光数据集的局限性,对现有的一些数据进行整理、校准、切片,构建出数量足够且有效的数据集;之后,以U-net模型为基础设计出一种编解码融合模型,红外与弱可见光图像将通过各自的编码块进行特征提取,然后,各层级的特征相互融合且逐步卷积;最后,使用改进的混合损失函数控制网络参数的学习,并通过解码器对初步融合后的特征图像再通过进一步的卷积并还原到最初的尺度。经实验结果表明,该模型在提取并保留不同传感器源图像特征信息方面有较强的能力,并且融合后的图像具有可见光图像的细节背景信息,并且突出了红外图像的夜间能见度信息。