当前普通数码相机的成像传感器可获取到的亮度范围远远小于真实场景与人眼所能感知到的亮度范围,因此,单张图像只能显示拍摄场景一定亮度范围内的图像信息,从而导致在图像的过曝光和欠曝光区域存在细节丢失的问题。多曝光图像融合技术与高动态范围(High Dynamic Range,HDR)技术通过对同一场景不同曝光的图像处理可解决上述问题。HDR技术利用相机响应函数合成HDR辐射度图,再通过色调映射的方法压缩动态范围,得到能够在普通设备上显示的各区域细节信息清晰的图像。但HDR技术存在着相机响应函数估计不准和耗时久的问题。多曝光图像融合技术直接对多曝光序列图像进行融合,不需要相机响应函数,运行速度更快,更适合在移动设备上使用。本文首先提出了一种基于图像块分量抽取的静态场景多曝光融合算法。将输入图像块分量抽取为结构对比度、结构方向以及平均曝光度三个独立的分量,分别对三个分量进行融合,并重构融合后的分量得到融合图像。其中,该方法同时利用RGB三通道信息进行三分量融合,使得融合图像颜色更为鲜艳。由于多曝光图像拍摄场景中运动目标的存在,静态场景算法融合后常出现鬼影。因此在融合前,需要进行运动目标检测。在本文提出的静态场景融合算法的基础上,首先利用曝光度函数选取参考图像,利用结构方向分量计算其他曝光图像与参考图像的结构一致性指标,再引进Dense Sift描述子计算空间一致性指标。通过结构与空间一致性指标排除运动目标区域进行融合,得到无鬼影的融合图像。本文与12种经典去鬼影算法在20个动态场景进行了实验对比,本文动态场景算法在运算速度与性能上均有优势。在多曝光融合图像质量评价方面,学界一直没有形成公论。本文提出了基于视觉显著性的多曝光融合图像质量评价算法。首先将待评价的融合图像切分成图像块,通过深度卷积神经网络建立了图像块的质量评价模型。利用基于区域对比度的显著性提取算法与Prewitt边缘检测技术对不同图像块进行重要性评估,得到图像块的质量权重。再对图像块得分加权,得到整幅图像质量得分。最后用该评价方法对多曝光融合图像进行了定量分析,并对本文提出的多曝光融合算法进行了自动参数调优。