图像融合近年来逐渐成为一门重要的图像处理技术。本文的主要研究内容是像素级多传感器图像的融合方法。针对像素级图像融合技术中需要解决的关键问题,提出了几种新的图像融合的方法。提出了一种基于二维离散小波变换的图像融合方法。首先用二维离散小波变换把源图像分解成为多个不同频带的子图像。在融合过程中考虑低频分量和三个方向的高频分量的来源一致性,用全局匹配度选择融合策略进行融合。最后通过小波逆变换重构得到融合图像。实验结果表明该方法能在一致性的保证下有效地提高融合图像的质量。提出了基于RBF神经网络的图像融合方法。通过RBF神经网络对源图像的像素进行聚类分类,之后采用最大隶属度加权法来融合各源图像。该方法以其更快和更准确的分类实现了图像的信息融合。与传统的基于多分辨率分析的图像融合方法对比,实验结果取得了良好的融合效果。提出了基于混沌神经网络的图像融合方法。通过使用自适应暂态混沌神经网络模型,来动态搜索图像融合中区域小波系数的加权系数最优值。如以结构相似度的负值作为神经网络的能量函数,这样网络搜索输出的最优值就是图像的加权系数,同时,能量函数得到最小值,也就是区域的结构相似度最大。通过对整幅图像进行这种最优的搜索得到的融合后的图像,其融合图像的结构相似度值更大。基于混沌神经网络的图像融合方法开拓了一条新颖的图像融合思路。实验表明,与其他融合算法的结果比较,本算法的融合图像的结构相似度值最大。如果把结构相似度换成其他的评价标准,那么,一样可以得到这种评价标准下的最佳的融合图像。