Ondanks significante vooruitgang in beeldsensortechnologie in de afgelopen decennia, bestaan er nog steeds hardware beperkingen zoals een beperkte scherptediepte, een laag dynamisch bereik en een beperkte spectrale gevoeligheid. Beeldfusie heeft als doel deze beperkingen aan te pakken door meerdere invoerbeelden te combineren tot een gefuseerd beeld dat informatiever is voor menselijke en machine waarneming dan elk van de invoerbeelden afzonderlijk. Echter, met de ontwikkeling van consumentenelektronica, eisen mensen nu beelden van hogere kwaliteit en zijn zelfs lichte vervormingen of artefacten onaanvaardbaar. Om deze uitdagingen aan te pakken, onderzoekt deze dissertatie effectieve beeldfusiemethoden op basis van deep learning in multi-focus, multi-exposure en multi-modality beeldfusie. De voorgestelde methoden produceren visueel aantrekkelijke fusiebeelden die vrij zijn van artefacten en levendige kleuren hebben. Bovendien combineren deze methoden informatie van fysiek verschillende sensoren, zoals thermische/zichtbare camera's en multimodaliteit medische sensoren, op een compatibele manier om een meer uitgebreide representatie van de scène te bieden. Door de beperkingen van multi-source sensoren te doorbreken, hebben deze methoden het potentieel om de kwaliteit en bruikbaarheid van beeldvorming in verschillende gebieden aanzienlijk te verbeteren.