图像融合是将两个或者两个以上的传感器在同一时间或不同时间获取的关于某个具体场景的图像或者图像序列信息加以综合,以生成一个新的有关此场景解释的信息处理过程,而这个解释是从单一传感器获取的信息中无法得到的^[1]。近些年来,国内外研究者在图像融合领域取得了丰硕的研究成果,本文将着重介绍在平移不变剪切波变换（Shift-Invariant Shearlet Transfom,SIST）下的图像融合方法。与传统的多尺度变换方法相比,SIST是目前最为先进的一种多尺度分析方法,此方法可以实现图像的“稀疏”表示,高效地提取图像的有用信息。此外,不同于传统的剪切波变换,SIST在对源图像进行多尺度分解时不进行下采样操作,所以具有平移不变特性,能够很好地保留细节信息也克服了伪吉布斯效应。对源图像进行SIST分解得到的子带,如何进行融合成为了研究的重点,而本文中,在子带融合时采用了深度卷积神经网络（deep Convolutional Neural Network,CNN）、自适应的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）等方法,以提高融合时的效果。本文的具体研究内容如下:1)综述了国内外图像融合的研究现状以及详述了融合中衡量融合图像性能的评价标准,然后分别在每章节中介绍了剪切波、引导滤波器、深度卷积神经网络、尺度不变特征变换和脉冲耦合神经网络等概念和相关理论。2)为提高图像融合质量,提出了平移不变剪切波变换与自适应的脉冲耦合神经网络融合规则的图像融合方法。利用SIST对源图像进行剪切波分解,将分解得到的低频分量采用基于图像引导滤波器的融合规则进行低频融合,对高频分量采用改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,最后通过SIST逆变换得到融合后的图像。3)为克服传统的图像融合方法融合质量不高的问题,提出了平移不变剪切波变换与深度卷积神经网络的图像融合方法。首先,对SIST分解得到的高频分量采用基于CNN的融合规则进行高频融合;接下来,对低频分量采用尺度不变特征变换（Scale Invariant Feature Transform,SIFT）寻找特征描述子,并记录每个特征描述子在低频子带中的位置,然后利用基于匹配度的融合策略进行低频融合;最后,对融合后的高频分量和低频分量进行SIST逆变换,得到最终融合图像。实验结果表明,相比于传统融合方法,本文所提方法在主观评价指标和客观评价指标上均有较显著提升。4)针对融合之前所需的图像增强和配准等操作,本文设计并实现了计算机辅助融合平台,各模块中分别实现了图像反色、二值化、拉普拉斯锐化、图像平滑以及边缘检测等操作,并能以简单、直观的可视化形式进行人机交互。