红外图像和可见光图像是图像融合领域常见的信息载体。二者整合后的图像,具有目标物体显著、对比度高、背景细节丰富等众多优点,能显著提高图像质量。本文在研究现有图像融合算法基础上,提出了两种红外和可见光图像融合算法,主要工作如下:（1）传统多尺度融合方法使用边缘分解滤波器,针对其存在设计复杂、耗时性高、以及细节信息提取不充分的问题,本文采用了基于双尺度分解和潜在低秩表示的红外与可见光图像融合方法。首先,采用简单高效的平均滤波器来达到多尺度分解的目的,将红外和可见光源图像分解为基础层和细节层。其次,对基础层使用潜在低秩表示得到低秩层和显著层,以便获得更多细节信息;然后对细节层,进行视觉显著性检测得到显著值图,最终得到归一化的权重图。对前述细节层、低秩层、显著层通过加权融合、求平均、求和策略三种不同的规则进行融合。最后,进行多尺度重建得到融合图像。实验结果表明本算法的优越性。（2）针对深度神经网络框架仅应用于融合过程的某些部分,而整体融合过程仍处于传统框架,以及传统的融合方法需要人工设计融合规则,容易导致融合图像损失大量信息等问题,本文采用了一种基于双判别器生成对抗网络的红外与可见光图像融合方法。首先,对传统的生成器部分进行改进,生成器采用双分支网络以分别提取源图像的细节信息和语义信息;并且在细节分支上引用密集连接,以起到缓解梯度消失、修复特征丢失和重用先前特征的作用。其次,该方法采用双判别器模型,在一个生成器G和两个判别器iD、vD之间形成对抗博弈。vD是为了训练融合接近于可见光图像,而新增的iD存在的意义是为了便于分辨生成图像和可见光图像。因此在该网络中,融合图像被训练为同时和两个源图像相似。最后,为了减小融合图像和源图像之间的特征误差,本文还引入了感知损失函数,以进一步提高融合质量。实验结果表明本算法的优越性。