近年来，随着成像设备大量应用于人类的生产和生活，不同类型的图像数据成为社会生活中常用的一种信息载体。然而，成像设备受成像条件制约，获得的图像数据往往无法满足实际应用需要。受限于光学镜头的景深范围，光学传感器对目标场景进行图像采集时无法一次性获取全场景清晰的图像。因此通常会让镜头分别对焦进行多次采集进而得到多幅聚焦于不同区域的源图像，整合这些源图像的清晰信息生成一幅全清晰图像则是多聚焦图像融合需要解决的问题。多聚焦图像融合技术在计算机视觉、医疗成像、卫星遥感、数码摄影等诸多应用领域都具有很高的研究价值。
　　在上述研究背景之下，本文针对基于保边滤波与深度学习的多聚焦图像融合算法展开了深入的研究。本文的主要研究内容如下：
　　1.针对现有改进拉普拉斯能量和算法对图像均质区域聚焦检测失效的问题，研究了一种加权拉普拉斯能量和算法焦点检测方法。该方法在改进拉普拉斯算子的基础上，在局部窗口内赋权值求和，增加周围存在的尖锐梯度对该区域的梯度贡献。该方法保留了改进拉普拉斯能量和算法对梯度灵敏的优点，增加了对图像均匀区域的焦点检测性能。实验结果表明，该方法的焦点检测结果与源图像更具一致性，同时抗噪声能力更强，有利于进一步融合规则的设计。
　　2.充分利用导向滤波边界条件转移这一特性，将其应用一致性校验，设计了一种新的融合规则。该融合规则使得本文算法在融合边界区域获得更加自然的融合效果。实验证明本文所提出的基于SMML与导向滤波的多聚焦图像融合方法是有效的图像融合算法，并获得良好融合效果。
　　3.将焦点检测转换为图像块的二分类问题，成功将卷积神经网络应用到焦点检测方法中。解决了传统手工设计的单一图像特征焦检测方法无法适用于复杂多变的图像场景这一问题。结合本文设计的融合规则，使得本文基于深度学习的多聚焦图像融合算法获得了更优越的表现，在多种场景的图像融合实验中均取得良好融合效果。