信息融合是根据一定的融合规则,多方面地处理来自多个传感器收集的数据信息,它研究的是如何有效地利用多传感器收集的信息。单个传感器获得的信息通常是不完全的,多个传感器获得的数据、信息相互之间是独立的、互补的。图像信息融合技术是采用特定的算法,从传感器采集的源图像数据中把有效的信息提炼出来,融合后得到更加全面、更加清晰的源图像,融合后的信息更便于机器的自动检测和人眼的识别。多传感器图像融合算法是一种消除图像噪声的关键技术,许多的信号级图像融合技术是基于统计方法的,虽然这些数据融合方法是非常有效的,但是也存在很多缺点,如最小方差估计法,这种方法需要先验的协方差信息,因此,传统的图像融合处理方法已经不能满足人们的需要。神经网络的处理功能是通过神经元的相互连接作用来体现的,通过模拟单个神经元的功能和人脑的结构来模拟人的大脑。神经网络计算方法表现出极大的优越性,使得神经网络计算方法在多传感器图像信息融合技术领域得到了广泛的发展。本文主要研究的是一种基于线性约束最小平方(LCLS)模型的神经网络图像融合算法,这种神经网络算法用于图像融合能很好的提高图像的质量,基于LCLS模型的神经网络图像融合算法结合了经典算法和现代算法的优点,能克服传统方法的噪声协方差的奇异性等缺点。本文在传统的神经网络图像融合算法的基础上,提出了一种新的递归神经网络算法。该图像融合算法引用了线性约束最小平方模型,这种模型的基本思想是找到一组最优的权系数,它与多传感器获得的数据信息的加权和就是我们求得的最优融合图像信息,使求得的数据和实际数据之间的误差平方和最小。为了获取一组最优的权系数,本论文构建了一种递归神经网络算法,在神经网络算法中,引用了罚函数,更简单有效的对线性条件进行约束,该算法引用了投影函数,并证明了投影神经网络能收敛于稳定的最优解,所以本论文提出的算法也能收敛于稳定的最优解。采用的投影函数使得该算法易于硬件电路的实现,使得图像融合算法结构更简单,能够快速收敛于最优融合方案,使用Matlab对噪声彩色图像进行处理,图像的融合结果展示了算法的可靠性和有效性。最后,总结本文的研究内容,对下一步的工作进行展望。