由于光学镜头的聚焦范围有限，很将同一场景内不同距离景物都清晰地成像在一幅图像中。这一问题可通过多聚焦图像融合技术来解决。该技术能有效提高图像信息的利用率，增强系统对目标探测识别的可靠性，为图像识别、边缘检测、图像分割、特征提取等后续处理奠定良好的基础。目前，多聚焦图像融合已在目标识别、显微成像、军事作战、机器视觉等领域得到了广泛应用。多聚焦图像融合的关键是找到源图像中的清晰区域或像素，通过对其重组得到一幅所有景物都清晰的融合图像。也就是说，多聚焦图像融合的关键在于清晰区域或像素位置的正确判断，这也是多聚焦图像融合中的难点之一。由于图像内容的复杂性，通常很难对所有区域或像素的清晰度进行正确评价，从而造成融合图像效果不够理想。本文在现有多聚焦图像融合方法的基础上，深入研究了多聚焦图像融合问题。针对现有方法存在的某些缺陷和不足，分别在多尺度变换域和空间域内对多聚焦图像融合进行了研究。为避免噪声对融合算法造成的影响，在提升静态小波(Lifting StationaryWavelet Transform, LSWT)域内提出了LSWT多尺度积与脉冲耦合神经网络(PulseCoupled Neural Network，PCNN)相结合的融合方法。根据LSWT相邻尺度间的多尺度积能有效增强有用信号的边缘细节信息，削弱噪声的优点，提出将多尺度积的某个特征作为PCNN神经元的外部输入，并根据神经元的点火次数来确定融合图像各高频子带系数，从而抑制了噪声对融合算法造成的可能影响，获得了良好的融合结果。为克服传统对比度测度在判别像素聚焦特性时表现出的不足，在LSWT域内提出了方向信息特征对比度的概念，制定了基于方向信息特征对比度的系数选择方案。由于方向信息特征对比度不仅考虑了方向信息对噪声不敏感的特性，还考虑了人眼视觉对图像对比度的变化比较敏感的特性，因而能有效避免噪声对融合算法的干扰，弥补传统对比度测度的不足，提升各高子带聚焦特性判别的正确率，为融合图像子带系数的选择提供了依据。针对基于多尺度分解的多聚焦图像融合方法容易出现融合图像系数的误选，在NSCT域内设计了一种基于分数阶微分的清晰度评价指标。根据该指标和多聚焦图像的成像特性，提出一种聚焦区域检测方法。在此基础上，制定了基于聚焦区域检测和分数阶微分清晰度评价指标相结合的系数选择方案。该方案将处于聚焦区域内部的系数直接选出，构成融合图像相应子带位置处的系数；对离聚焦区域之间的过渡带，则根据分数阶微分清晰度评价指标来进行融合处理,从而降低了各子带系数的误选，提升了融合算法性能。在空间域内提出了基于聚焦区域检测和多尺度分解相结合的融合算法。该方法从多尺度分解融合方法不易产生不连续现象的特性出发，通过一种新的基于多尺度分解的融合方法来获取初始融合图像。根据初始融合图像与源图像之间的相似度，实现对源图像像素聚焦特性的初步判定。据此建立初始融合决策图，并对其进行后续处理，修正判别错误的像素。根据融合决策图中像素所处位置和初始融合图像，制定最终融合图像的获取方案。该方案有效避免了离聚焦区域之间不连续现象的产生，提升了融合图像质量。针对传统多尺度Top-Hat变换不能提取整个尺度区间上图像特征的不足，引入了改进的多尺度Top-Hat变换。根据该变换，设计基于数学形态学的聚焦区域检测方法与双窗口技术的多聚焦图像融合方法，解决了单个窗口技术在判定离聚焦区域之间过渡带时窗口尺寸大小很难确定的问题，降低了像素的分类错误，为获得视觉效果更好的融合图像奠定了基础。最后，对本文的主要工作以及取得的成果进行了总结，并进一步指出了下一步工作的研究方向。