图像融合技术旨在对多个源图像中的互补信息进行整合,以获得包含更加全面的信息的融合图像。红外与可见光图像融合技术是图像融合领域中一个重要的研究方向。红外图像包含物体丰富的热辐射信息,即使在光线较弱的情况下,也可以捕捉到隐藏的目标。但红外图像对于场景的纹理细节信息不能给予很好地描述,不利于人类视觉的感知。可见光图像包含场景丰富的纹理信息,具有较高的清晰度,符合人类视觉的感知。利用图像融合技术将这两种图像进行融合来获得包含两种图像重要信息的融合图像,有助于增强人类对场景的理解力。传统的图像融合方法需要大量的手工设计,具有较高的计算复杂度且模型不易调整。近年来,深度学习技术在图像融合领域得到了应用,并获得了较好的融合效果。本文提出了两种基于深度学习的红外与可见光图像融合方法,以进一步提升融合效果。本文的主要研究内容如下:（1）本文提出了一种基于梯度残差密集块和注意力机制的红外与可见光图像融合方法。该融合方法将梯度残差密集块作为特征提取块引入到编码器中。该模块不仅可以保留中间信息实现对源图像特征的充分利用,而且可以增强网络对细粒度细节信息的提取能力。红外图像和可见光图像包含的关键信息不同。为了获得源图像的重要信息,将注意力机制引入到编码器中。利用注意力机制对提取的特征进行进一步地精细化地调整,从而有助于提高融合效果,获得包含源图像重要信息的质量更好的融合图像。此外,利用组合损失函数对网络的训练过程进行约束,有助于获得信息更丰富的高质量融合图像。实验结果表明,该融合方法能够有效地实现红外与可见光图像的融合任务。（2）本文提出了一种基于快速下采样一次性聚合网络模型的红外与可见光图像融合方法。为了有效获取源图像更全面的信息,本文设计了一种快速下采样一次性聚合网络模块。在编码器中利用该模块可以实现对红外图像和可见光图像的详细信息和语义信息的有效提取。编码器提取的源图像的特征在不同空间位置与不同通道上具有不同的重要性。因此引入基于空间注意力和通道注意力的融合规则对两种源图像的特征进行融合。最后将融合后的特征送入解码器中重建融合图像。实验结果表明,该融合方法能够有效地实现红外与可见光图像的融合任务。