作为一种综合处理多传感器图像数据的有效途径，图像融合技术日益引起人们的重视。图像融合可以克服单一图像在几何、光谱和分辨率等方面存在的局限性和差异性，提高图像质量，有利于对物理现象和事件进行描述、识别和解释。本文在详细介绍红外和可见光图像的成像特性与两者差别的基础上，研究了红外和可见光图像目标检测方法，对红外和可见光图像的决策级融合算法进行了初步研究，研究了两种决策级的融合算法。　　(一)研究了一种基于改进的D-S(Dempster-Shafer)证据理论的红外和可见光图像决策级融合算法。首先，分析D-S证据理论中存在证据冲突的原因和现有的证据冲突程度度量方式，给出了新的证据冲突程度的定量表达方式，改进了证据合成规则，以处理高证据冲突的情况；其次，采用红外和可见光图像的局部灰度均值对比度和局部梯度均值对比度作为证据，根据证据合成后红外和可见光图像中的目标属性，确定融合规则。实验结果表明，与单独利用红外和可见光图像检测的结果相比较，本文研究的方法检测的目标位置更准确，具有较好的融合效果。　　(二)研究了一种基于N-P(Neyman-Pearson)准则的红外和可见光图像决策级融合方法。首先，介绍了N-P准则相关理论和融合系统结构，给出了优化的融合规则；其次，利用两幅图像中目标候选区域的灰度均值和灰度方差来确定条件概率密度函数，根据N-P准则分别得到两幅图像中目标的检测概率并确定融合规则。实验结果表明，本文研究的方法可以综合利用两幅图像的信息，较为准确地融合目标位置信息，且融合后的目标位置相比于单一传感器图像的检测结果更准确，具有较好的融合效果。　　最后，对本文的工作进行了总结，并提出了未来研究的方向。