图像彩色化是把灰度黑白图像转化成彩色图像。近红外图像彩色化是图像彩色化的一个分支。相比于普通灰度图彩色化,近红外图像彩色化因原始近红外图像的原因面临着彩色结果不清晰的难题。近红外图像在交通辅助驾驶、军事领域、安防监控、智能警务和无人驾驶等都被广泛应用,但是由于其缺乏颜色信息不利于人眼观察,故而彩色化近红外图像很有实际应用意义。随着深度学习的发展,一些方法展现了它们优秀的图像彩色化能力。然而现有的红外图像彩色化方法仍然有很多问题,例如彩色化结果不清晰,上色后的颜色异常和颜色区域不稳定等。针对现有的问题,本文提出了一种对称跳跃连接编解码器的彩色网络结构。编码器主要是下采样结构用来提取输入图像特征理解图像,解码器主要是上采样结构用来学习特征、恢复图像并进行智能上色,他们之间增加了跳跃连接,将与解码器对称的编码器特征图谱复制过来减少信息退化。为了更好的训练彩色网络,本文创新性的提出了边界导向网络用来辅助训练彩色网络,使其输出的彩色结果颜色区域更稳定,边界更清晰。边界导向网络是一种在训练时自适应的最适合彩色网络的损失函数,它的输入是一张彩色网络输出图与目标图像的差分图,在训练过程中通过反向传播算法辅助优化彩色化网络参数,使差分图的值最小。针对神经网络输出的结果难以避免层数过多而导致的或多或少的信息退化问题,将原始的近红外图像与神经网络输出的彩色图像进行融合,来保留近红外图像中的高频细节信息。本文提出了一种多分辨率的复合融合方法,有针对性的按不同融合规则融合各个图层,获得了很好的效果。本文建立了一个近红外图像与彩色图像像素级匹配的数据库,并对数据库进行后处理得到了模拟雨天情况下的数据库,数据库的主要场景是道路图像,在多个地点采样场景元素多样化,可以有效地训练网络并提高网络的泛化性来实现辅助驾驶的目的,两个数据库各有1978对图像。在实验部分通过多种数据集验证了整体模型在近红外图像彩色化上的优良性能,取得了很好的效果。本文基于深度学习和多分辨率图像融合,对数据库建立制作、彩色化图像神经网络搭建与改进、彩色化结果图像融合增强依次进行了递进的探讨研究。论文的整体模型对近红外图像进行增强上色,使人的辨识能力提高。大量图片智能化上色靠人工耗时耗力,现在可以通过本文的算法模型实现自动彩色化。