由于人们对多媒体的需求不断增长,人们对图像的视觉质量也提出了越来越高的要求。迄今为止,图像处理技术作为视觉监控应用的预处理已经受到了研究者的广泛关注。作为传播信息的媒体之一,图像包含丰富的信息,因此在人类生活的许多方面都发挥着非常重要的作用。随着成像系统的发展,人们获得的图像质量远远超过了过去。但是,图像的视觉质量仍需要改善以满足人们的期望。由于不同图像是在各种不同的条件下拍摄的,例如拍摄时的天气,环境和设备都有所不同,因此它们具有各种缺陷和问题。例如,在弱光条件下拍摄的可见彩色(RGB)图像包含大量噪点,丢失了大量纹理。为了克服这个问题,可以将近红外(NIR)图像与低亮度RGB图像融合以消除噪声并恢复纹理,从而获得高质量的融合结果。图像分辨率的提高也是近年来研究者关注的一个问题。单图像超分辨率(SISR)是从低分辨率(LR)图像中恢复具有更好视觉效果的高分辨率(HR)图像。然而,SISR是一个病态逆问题,即可以从许多不同的高分辨率图像中获得低分辨率图像。幸运的是,深度学习在许多计算机视觉和图像处理任务中均取得了显着的性能提升。在本文中,我们研究了基于深度学习的多光谱图像融合和SISR,并提出了基于卷积神经网络(CNNs)的网络架构。本论文的主要研究范围如下:1.我们提出了基于合作CNN的RGB和NIR图像的多光谱融合。在弱光条件下拍摄的RGB图像具有很多噪声并损失了很多细节信息。而近红外下在同一场景中拍摄的图像则包含清晰的纹理,没有噪声但是也没有颜色。它们是互补的,我们建议通过协作的CNN融合RGB和NIR图像。为了生成弱光条件下的训练数据,我们将在白天捕获的干净的RGB图像用作目标图像,并通过添加噪声合成弱光RGB图像。我们建立了一个协作网络来融合RGB和NIR图像,可生成无噪声的清晰RGB图像。为了融合两者而不造成颜色失真,我们选择在YCbCr颜色空间进行工作。通过该网络,我们获得了高质量的融合图像,该图像消除了噪声并保持了良好的纹理和原始颜色。2.我们提出使用边缘引导的基于小波的单图像超分辨卷积神经网络。SISR是一项具有挑战性的任务,深度学习能够借助大数据来提高其性能。与以前的SISR网络不同,我们采用边缘图作为低分辨率图像的先验信息来指导超分辨率过程,并向网络中添加了小波变换。我们同时还原SR图像及其边缘图,并使用边缘图指导SR重建过程。实际上,LR和HR图像的低频分量非常相似。它们之间的主要区别是高频分量,而SISR的关键是高频分量的恢复。因此,我们将小波变换引入CNN以成功恢复高频分量。拟议的SISR网络由三部分组成:Wavelet-SRNet,Wavelet-EdgeNet和Fusion-SRNet。实验结果表明,该方法对混叠伪像具有鲁棒性,可以成功地恢复SR结果中的高频分量。