图像融合是将多个传感器在同一场景下捕获的包含不同信息的图像整合成一幅新的高质量融合图像。相比于原始图像,融合图像具有更丰富的信息,可以在军事,环境监测,数码摄影和医学诊断等领域发挥更大的作用。图像融合算法根据不同的融合策略可以分为基于空间域的图像融合算法,基于变换域的图像融合算法和基于深度学习的图像融合算法。基于空间域的图像融合算法首先将输入图像分解为小块或根据某种标准划分的区域,然后计算对应区域的显著度,最后将匹配程度最大的区域合并形成融合图像。基于变换域的图像融合算法通过多尺度几何分解将源图像变换到一些特征域,然后对多个输入图像的特征进行融合并逆变换生成融合图像。相比于传统方法,卷积神经网络具有更好的特征提取能力和更好的鲁棒性。因此,基于图像对中存在着共享的公有特征和特定的私有特征认知,研究网络对图像特征的分离表示学习并设计相应的融合规则可以提升融合效果,得到信息丰富,细节清晰的融合图像。本文的主要研究内容如下:（1）自编码网络作为无监督学习的模型,减少了手工制作和标注数据集的烦恼,同时自编码网络对信息特征的编码解码能力使得在图像融合领域,越来越多的人使用卷积自编码网络框架对图像进行特征提取,手工设计相应的融合规则并重构这些特征以得到最后的融合图像。但是这些算法往往只是提取出一对源图像上的全局特征,然后设计复杂的融合规则来融合这些特征,这容易导致信息的丢失,进而影响最后的融合结果。在同一场景下被捕获的一对红外与可见光图像虽然具有不同的模态,但是同样具有共享的公有信息和互补的私有信息,受益于残差网络的启发,在训练学习阶段,通过网络分支间特征层面的互换和相加,强制每一个分支映射到一幅具有全局特征的标签图上来鼓励各个分支学习对应模态图像的的私有特征。在融合预测阶段,采用最大值融合策略融合私有特征,并在解码层与学习得到的公有特征相叠加,最后解码出集成了红外和可见光图像信息的融合图像。使用在NYU-D2上合成的多聚焦图像数据集训练该模型,在TNO真实的红外和可见光数据集上测试,实验结果表明,与当前主流的红外与可见光融合算法相比,所提出的算法在主观效果和客观评价指标上都取得了较好的成绩。（2）在多模态图像的基础上,利用深度自编码网络对多模态图像进行进一步的研究。基于对图像私有信息与公有信息的认知,提出了并行结构的联合自编码网络以同步提取图像的上述信息。在网络结构上,将编码器分为两个私有分支和两个公有分支,私有分支用于互补特征的学习,而公有分支用于冗余特征的学习。在特征融合阶段,分别设计了对应的融合策略将冗余和互补特征集成到融合特征中,通过特征的可视化,可以看到设计的融合策略都较好地融合了图像信息并解码出了好的融合结果。通过与主流的GFF,LPSR,GTF,CSR,MFCNN,Deepfuse,GAN,Densefuse,IFCNN算法进行比较,所提出的方法在主观效果上细节信息丰富,图像结构良好,更适合人类视觉的感知,并在多个客观指标上表现优异。（3）对联合自编码网络进一步研究,结合对比学习,在图像的特征子空间内采用余弦函数作为约束,以最大程度的区分私有特征和公有特征。同时,为了使得公有特征具有唯一性,将公有分支合二为一,以一幅同时包含源图像对信息的公共图像作为输入,而将一对源图像分别输入两个私有分支,公有分支与私有分支的输出相结合并映射到两幅源图像上以学习图像的特征。将图像的分离表示学习推广至多聚焦图像,红外与可见光图像以及医学图像领域。针对提取到的特征,设计了新的融合规则以适应多领域的图像融合。提出的算法在上述领域的公开数据集上与当下的前沿算法相比较,实验结果表明,所提算法在主观效果和客观评价指标上都取得了良好的成绩。（4）为了解决自编码网络无法端到端生成融合图像的问题并减少相应融合规则的设计,提出了一种基于自适应特征融合的端到端训练无监督模型。网络利用自编码模块提取出图像的特征,对特征级联后直接解码出图像,由于生成的图像受到联合损失函数的约束,得以保留源图像的细节并具有良好的结构信息和梯度信息,图像整体结构分明。实验结果证明,该模型在主观效果和客观指标上不输于主流算法与本文之前提出的算法。