近些年来,成像设备大量产生并普及应用,图像数据的采集变得越来越容易。相比于其它类型的信息,图像数据所包含的信息量更大,更加直观且易被人类接受。作为图像处理领域的研究热点,图像融合是指将具有互补信息的一系列图像作为操作对象,将这些特征信息进行整合从而得到一张融合图像的过程。融合后的图像包含的信息更加丰富、准确,视觉效果更好,更加利于后续的图像处理。多聚焦图像融合是图像融合领域中的重要组成部分。多聚焦图像是指在利用光学成像系统拍摄三维场景时,由于不同目标与镜头的距离不等而形成的具有不同清晰度的图像。多聚焦图像融合指的是对两张或多张多聚焦图像进行融合,最后生成一张全景清晰的图像的过程。它被广泛应用在目标识别、军事作战等领域,具有重要的意义。本文主要研究了基于焦点度量的多聚焦图像融合算法。首先对多聚焦图像融合的相关知识进行了介绍,主要包括图像融合的分类与层次划分、当前研究现状与算法分类、融合图像评价等。之后将多聚焦图像融合研究领域中传统的变换域方法与空间域方法相结合,提出了一种基于焦点度量的图像融合方法(MST-FM)。先是提出了一种基于多尺度变换的多聚焦图像融合算法:利用非下采样剪切波变换对初始的多聚焦图像进行分解,对高频部分和低频部分分别采取不同的融合规则,然后进行逆变换,得到初始融合图像。再将初始融合图像与源图像进行相似度度量,以此作为焦点度量的方法,进而得到融合决策图,根据决策图指导形成最终的融合图像。最后通过与多聚焦图像融合领域经典算法进行主观、客观两方面的实验效果对比,说明MST-FM结合了变换域方法与空间域方法的优势,有效的提高了融合效果。最后又提出了一种新兴的基于焦点度量和全卷积网络的多聚焦图像融合方法(FCN-FM)。该算法将在计算机视觉领域表现优异的深度学习算法应用于多聚焦图像融合,利用全卷积网络对源图像进行焦点度量。将每个源图像作为全卷积网络的输入,输出为对应图像的焦点图,这里的焦点图是对源图像的像素级别的清晰度度量。通过找出相对清晰的像素点,可以合并出一幅全景清晰的融合图像。本文提出的网络可以结合多尺度的信息以提升融合图像的质量,并且使用的全卷积网络使算法可以处理任意大小的源图像。该算法有效并且易于理解,经过多组实验验证表明,相较于传统的人工方法,FCN-FM避免了块效应、人工效应等问题,鲁棒性较强,从主观和客观评价角度都说明FCN-FM的融合效果较包括MST-FM在内的对比算法要更优异,达到了目的。