深度学习可以最大化的利用图像中的有用信息,受到了广泛关注。研究有效的深度学习算法及其应用在图像融合及超分辨率领域具有重要的研究意义与价值。本文从深度学习理论出发,深入研究深度学习在图像融合及超分辨率任务中的应用方法,将深度学习模型的搭建方法作为研究重点,对基于深度学习的图像融合及超分辨率等问题进行探索性的研究。主要工作包括以下几个方面:（1）研究解决了基于卷积神经网络的图像融合问题。为避免图像融合过程中可能造成丢失细节信息（边缘信息）的风险,通过图像分解算法将待融合图片分离为基础部分和细节部分,利用系数绝对值取最大规则对基础部分进行融合。通过深度学习模型实现细节部分的焦点检测,利用加权平均规则实现其融合。根据两部分的融合图得到最终融合效果图,提高图像的清晰度和细节特征的保持能力。（2）研究解决了基于残差学习的图像融合问题。由于深度学习网络的深度越深,学习到的图像特征越抽象,越有利于后期的图像融合任务。针对深层次的网络由于梯度爆炸或扩散的影响出现难以收敛的问题,提出一种基于残差学习的图像融合算法。该算法利用极深的卷积神经网络模型提取待融合图像的深层特征,最大化利用图像的有用信息,根据残差学习的思想解决深层网络的优化问题。通过计算待融合图像与高清图像的互信息确定输入序号,确保目标残差图像的稀疏性。（3）研究解决了基于深度学习的图像超分辨率重建问题。考虑到图像的先验信息在超分辨率重建中的重要性,SRCNN模型仅仅对输入图像进行特征提取,同时模型深度较浅,无法提取图像的深层特征的问题,提出一种基于深度学习的图像超分辨率算法。将SRCNN的输出作为预估计图像,利用残差模块逐步逼近高分辨率图像,进一步提高图像的清晰度,并用网络模型的形式模拟其功能。