近三年来,深度学习（DL）在多聚焦图像融合领域的理论研究是一个热点课题。多聚焦图像融合的目的是将部分聚焦的图像整合到一个全聚焦的单个图像中,为了达到这个目的,本文针对基于深度学习的多聚焦彩色图像融合方法展开研究,主要研究成果如下:（1）基于DCNN和QUADTREE的多聚焦图像融合算法此项工作中主要解决DCNN算法中没有对未知区域处理的问题。首先利用DCNN算法得到粗糙的聚焦概率图,通过设定两个自适应阈值对聚焦概率图进行初始分割得到三元图。其次利用QUADTREE（QT）对分割后的三元图进一步实施聚焦检测,得到细化后的初始决策图。然后,利用小区域去除策略和引导滤波将初始决策图优化为最终决策图。最后,利用像素加权平均规则将原图像与最终的决策图进行融合,得到最终的融合图像。虽然在主观观测和客观数据上均反映出融合图像质量的提高,但从决策图发现没有很好提取细节信息。（2）基于深度卷积编解码器网络的多聚焦图像融合算法此项工作中主要解决现有算法不能提取聚焦部分的细节信息问题,本文通过研究多聚焦图像的生成原理及性质,构建有效的模拟数据集,设计强大的深卷积编解码器网络（DED-Net）以及适合损失函数进行训练。使用训练好的网络对原图像进行解算,得到含细节信息的alpha值图。最后,利用像素加权平均规则将原图像与alpha值进行融合,得到最终的融合图像。虽然在客观数据上未获得很好的效果,但是主观测到决策图能很好提取细节信息,具备极大研究价值。