目前基于深度学习的红外与可见光图像融合算法,通常无法感知源图像显著性区域,导致融合结果没有突出红外与可见光图像各自的典型特征,无法达到理想的融合效果.针对上述问题,设计一种适用于红外与可见光图像融合任务的改进残差密集生成对抗网络结构.首先,使用改进残差密集模块作为基础网络分别构建生成器与判别器,并引入基于注意力机制的挤压激励网络来捕获通道维度下的显著特征,充分保留红外图像的热辐射信息和可见光图像的纹理细节信息;其次,使用相对平均判别器,分别衡量融合图像与红外图像、可见光图像之间的相对差异,并根据差异指导生成器保留缺少的源图像信息;最后,通过在TNO等多个图像融合数据集上的实验结果证明,所提方法能够生成目标清晰、细节丰富的融合图像,相比基于残差网络的融合方法，边缘强度和平均梯度分别提升了64.56%和64.94%.