热红外图像与可见光图像融合是计算机视觉领域的一个基础问题,它采用一些算法提取出不同波段图像的特征,将它们融合在一起,使得融合后的图像更加清晰、信息更加全面,更便于人眼识别,使得观察者也更容易理解当前的场景。热红外与可见光工作在不同的波段,它们的成像机理也不同、各有特点,它们既有各自的优势,也有一些不足之处。所以,在实际场景中通常将热红外图像与可见光图像融合,使得不同的模态图像在信息上达到互补,进而弥补单一模态图像成像在某些条件下的不足。由于融合后的图像结合了两种模态图像的特征,它能够使观察者更充分的理解场景信息,因此热红外与可见光图像融合被应用于包括视频监控、军事以及电力系统在内的诸多领域。随着相关技术不断地发展进步,多模态图像融合的应用领域正变得越来越多元化。与此同时,各领域对多模态图像融合效果的要求也越来越高,研究人员对多模态图像融合的研究力度还在不断地加大。目前,有许多实现多模态图像融合的算法。常用的多模态图像融合算法都或多或少存在一些问题,其融合结果也一直未能达到更加理想的效果。为了提升多模态图像融合的效果,本文采用了一种基于拉普拉斯稀疏表示模型的算法来实现不同模态图像之间的融合,主要的研究工作在以下的几个方面：(1)由于不同模态图像的成像机理不同,不同模态之间的对应关系很难准确建立起来,传统的用于单一模态间图像配准的算法在不同模态图像配准上无法达到理想的效果。针对上述问题,本文结合距离度量学习提出了一种多模态图像配准的算法,通过学习不同模态图像之间的距离度量可以较准确地建立不同模态图像之间的变换关系。实验证明该算法配准效果良好。(2)本文介绍了多模态图像融合的现有算法,针对现有算法存在的问题,本文采用基于稀疏表示模型的多模态图像融合算法来对不同模态的图像进行融合,为了提高算法的鲁棒性,本文算法在原始的稀疏表示模型之上增加了一个拉普拉斯正则化项,使得融合后的图像效果对图像的细节反映更加明显。该算法包括了字典学习、稀疏表示以及多模态融合三个部分,实验结果相比其它算法有所提升,该融合算法效果良好。