红外成像技术在公共安全领域起着重要的作用,但受红外成像设备的限制,红外图像在采集、压缩和传输的过程中存在低分辨率、低信噪比等特点,导致红外图像的视觉效果模糊,进而影响了红外图像的质量。现阶段提高红外图像的质量依然存在挑战。针对上述问题,本文基于深度学习的方法主要围绕两个算法进行研究:首先是红外图像去噪算法;其次是红外和可见光图像融合算法。具体如下:（1）为了去除红外图像的噪声,本文以U-Net网络为基础,同时结合注意力机制,提出了一种基于改进的U-Net网络的红外图像去噪算法。其中,U-Net网络主要用来解决像素问题,本算法引用U-Net网络以提取红外图像的细节噪声。同时本算法结合注意力机制使网络建立特征之间的长距离依赖关系以及提高网络在复杂背景下提取红外图像噪声的性能。本文红外图像去噪算法主要包含两个模块:噪声提取模块和残差模块。首先利用噪声提取模块提取红外图像的噪声,然后利用残差模块将提取的噪声与源图像做残差运算,以获得高信噪比的红外图像。（2）为解决红外图像视觉效果模糊的问题,本文利用红外图像和可见光图像具有互补特性,将二者进行融合。为了进一步提高融合图像的质量,本文提出了一种基于密集交叉网络的红外和可见光图像的融合算法。该算法首先使用密集交叉网络提取图像特征;然后设计了一种自适应融合策略来融合图像的特征;最后利用重建模块来获得融合图像。其中,本文的密集交叉网络不仅可以提取图像的浅层特征,更重要的是该网络还可以提取图像的深层特征。另外,该网络结合了残差学习,加强了特征之间传递的同时还可以使该网络有效避免了在卷积神经网络层数增加的情况下出现网络退化的现象,从而提高了网络性能。通过分别对提出的基于改进的U-Net网络的红外图像去噪算法与基于密集交叉网络的红外和可见光图像的融合算法进行验证,实验结果表明,在主客观评价方面,本文的红外图像去噪算法具有较好的图像去噪性能,同时证明了本文的噪声提取模块可以有效提取红外图像的噪声。另外,本文将去噪后与未去噪的红外图像用于融合的效果进行对比,主客观评价结果表明经过去噪处理的红外图像用于融合的效果更好。最后,将本文的融合算法与先进融合算法进行对比实验,验证了本文融合算法可以更好地提高融合图像的质量,同时也验证了本文的密集交叉网络能够有效提高网络特征表达能力及红外和可见光图像融合效果,并克服红外图像细节特征丢失和视觉效果模糊的问题。