图像融合是将多幅不同图像集成为一幅图像，集成后的图像蕴涵着所有图像的优势信息。作为图像融合必不可缺的预处理，图像配准亦值得研究。深度学习具有提升图像融合和配准质量的潜力。
　　本文研究了基于反卷积神经网络的图像融合算法。具体内容如下：
　　研究了基于反卷积神经网络的多聚焦图像融合算法。为反卷积神经网络设计初始化滤波器，并通过学习寻找使得融合图像的平均梯度和信息熵最优的滤波器截止频率，获得完成滤波器学习的反卷积神经网络。利用反卷积神经网络为待融合图像推断分解出特征图，对特征图实施区域能量取大融合后，与滤波器卷积重构获取融合图像。实验结果表明，本算法与随机初始化和小波方法对比，融合图像的平均梯度和信息熵获得提升。研究了基于卷积神经网络和KAZE特征的多聚焦图像配准算法。在多聚焦图像上提取KAZE特征后，输入已学习好的卷积神经网络以生成特征描述符来实施图像配准。实验结果表明，相比MSER和BRISK特征，本算法提升了匹配正确率。
　　研究了基于反卷积神经网络的MS和PAN图像融合算法。设计反卷积神经网络初始化的滤波器，并通过学习寻找使得融合图像的信息熵和边缘强度最优的滤波器截止频率，获得完成滤波器学习的反卷积神经网络。利用反卷积神经网络为待融合MS图像的I分量和PAN图像推断分解出特征图，对特征图实施区域能量取大融合后，与滤波器卷积重构获取融合图像的I分量。再与MS图像的H和S分量合成融合图像。实验结果表明，本算法与随机初始化和小波方法对比，融合图像的信息熵和边缘强度获得提升。研究了基于卷积神经网络和KAZE特征的MS和PAN图像配准算法。在MS和PAN图像上提取KAZE特征后，输入已学习好的卷积神经网络以生成特征描述符来实施图像配准。实验结果表明，相比MSER和BRISK特征，本算法提升了匹配正确率。
　　研究了基于反卷积神经网络的CT和MRI图像融合算法。为反卷积神经网络设计初始化滤波器，并通过学习寻找使得融合图像的信息熵和能量最优的滤波器截止频率，获得完成滤波器学习的反卷积神经网络。利用反卷积神经网络为待融合图像推断分解出特征图，对特征图实施区域能量取大融合后，与滤波器卷积重构获取融合图像。实验结果表明，本算法与随机初始化和小波方法对比，融合图像的信息熵和能量获得提升。
　　本文研究的基于反卷积神经网络的图像融合算法，能成功地提升了多聚焦、MS和PAN、CT和MRI等三类图像融合的效果。同时，研究的基于卷积神经网络和KAZE特征的图像配准提升了前两类图像的匹配正确率。