图像融合的基本思想是利用特定算法将多种传感器对同一场景获取的图像提取不同信道的有用信息,最后融合成高质量的图像,以提高图像的利用率、可信度和准确性,在军事监测、医疗诊断和目标识别等领域广泛应用。在过去的几十年中,许多传统的图像融合方法被提出,这些图像融合算法大致可以分为两类,即空间域算法和变换域算法。空间域算法首先根据某种策略将源图像划分为若干个图像块,然后对每对图像块根据计算活动度量融合在一起。而变换域图像融合算法首先通过多尺度几何分解将源图像分解为具有不同频带的子图像,然后根据分解后的频带系数的特征设计融合规则,最后通过相应的逆变换获得融合图像。近年来,深度学习技术已广泛应用于各种计算机视觉任务,并在图像融合领域取得了显著效果,其中在图像生成领域中,最具有代表性的网络结构是生成对抗网络,该网络结构建立生成器和鉴别器之间的对抗性游戏,使得生成器生成图像的质量越来越好,已经广泛应用在领域中,因此,研究基于生成对抗网络的图像融合方法,这对提升融合效果,得到更准确、清晰的融合图像至关重要。本文的主要研究内容如下:（1）红外与可见光图像融合缺少真实的融合图像,为了设计更适合图像融合的生成对抗网络,提出了一种基于弱监督生成对抗网络的图像融合方法。将源图像的显著度图根据最大选择原则进行融合,融合后的显著度图充当鉴别器的真实图像,融合图像的显著度图充当鉴别器的虚假图像,通过对抗性学习,使融合图像包含更多的源图像中显著区域。为了提高融合质量,在网络结构中添加了密集连接卷积神经网络和损失函数中添加了感知损失。在TNO数据集上的实验表明,在客观和主观评估方面,我们的方法更好地保留了红外图像中的热红外目标和可见光图像中的细节信息,并且优于最新方法。（2）为确保源图像同时包含可见光图像的细节纹理信息和红外图像的红外亮度信息,提出了一种基于双鉴别器的红外与可见光图像融合方法。对红外图像进行显著性检测,获取到红外图像中显著的区域,然后取反,获取到可见光图像中的显著区域,设计两个鉴别器分别鉴别源图像与融合图像中显著区域的差异,通过对抗性学习,使融合图像包含更多的源图像中显著区域。TNO数据上的实验表明,提出的算法在客观和主观评价上优于当前主流红外与可见光图像融合算法,较好地保留了可见光图像的细节信息和红外图像的红外目标信息。（3）我们对生成对抗网络进行进一步的研究,结合自注意力机制,针对基于深度学习的红外和可见光图像融合方法在融合过程中忽略人眼主观感受的问题,提出了一种自注意力引导的红外与可见光图像融合方法。在特征学习层引入自注意力学习机制获取源图像的特征图和自注意力图,利用自注意力图可以捕获到图像中长距离依赖的特性,设计平均加权融合策略对源图像的特征图进行融合,最后将融合后的特征图进行重构获得融合图像。通过生成对抗网络实现了图像特征编码、自注意力学习、融合规则和融合特征解码的学习。TNO数据上的实验表明,学习到注意力单元体现了图像中显著的区域,能够较好的引导融合规则的生成,提出的算法在客观和主观评价上优于当前主流红外与可见光图像融合算法,较好地保留了可见光图像的细节信息和红外图像的红外目标信息。