随着科学技术的快速发展,图像成为人们获取信息的一种重要方式。在图像采集过程中会受到传感器设备的限制和外界因素（如光照强度、温度等）的干扰,致使获取的图像质量往往较差,同时单一的图像很难反映出场景内的全部信息。因此,通常采用图像融合算法来进行信息互补,融合后的图像广泛应用于国防军事、医疗诊断、安防监控等领域。作为融合领域的一个重要分支,多聚焦图像融合解决了光学器件景深有限的问题,可以将同一场景中不同景深范围内的聚焦图像合并生成一幅清晰图像。传统的融合算法大多通过设计不同的融合规则和聚焦检测方法在空域或变换域上直接对源图像进行处理。虽然这些算法可以实现图像融合,并在一定程度上解决了光学器件景深有限的问题,但由于融合时所使用的源图像本身质量可能较差,往往会导致融合算法不能很好的选择聚焦区域,进一步造成了融合图像中存在人造伪影或聚焦与非聚集区域边界模糊等问题。针对上述问题,本文从图像质量提升和聚焦区域检测方面进行深入研究,提出了两种基于超分辨率重建和聚焦区域检测的多聚焦图像融合算法,并将其应用到彩色多聚焦图像融合中。具体研究内容如下:（1）基于双通道卷积神经网络（Convolutional Neural Networks,CNN）重建和向导滤波的多聚焦图像融合为了提升融合图像的质量,改善融合效果,本文利用基于双通道卷积神经网络的超分辨率算法进行聚焦区域检测,并结合双边滤波和向导滤波提出了一种多聚焦图像融合算法。首先,将源图像输入到双通道卷积神经网络中,来恢复图像的细节和结构,从而提高图像的对比度。其次,通过双边滤波来降低噪声对融合图像的干扰,使用向导滤波对图像的聚焦区域进行检测并不断细化决策图。最后,依据决策图对源图像进行加权融合得到融合图像。实验结果表明,本文算法具有很强的鲁棒性,能够很好地保留图像信息,且能保持良好的空间一致性。（2）基于深层残差网络（Residual Network,ResNet）重建和结构梯度的多聚焦图像融合传统的多聚焦图像融合算法很难区分聚焦区域和散焦区域的边界,因此导致该部分在融合图像中边缘连续性较差。为了解决上述问题,本文结合结构梯度提出了一种基于深层ResNet重建的多聚焦图像融合算法。首先,该算法将源图像输入到深层ResNet中来进行低视觉图像重建,通过网络映射来恢复图像细节,并利用滚动向导滤波进行边缘保持。其次,结合结构梯度进行聚焦区域的特征检测,并以此生成图像融合决策图。最后,根据图像融合决策图对源图像进行加权融合得到最终的融合图像。实验结果表明,该算法对聚焦区域边缘的检测更加准确,决策图的聚焦散焦区域识别精度相比其他算法有了很大的提升,并且可以很好地保留源图像的细节纹理特征和边缘结构。