为满足矿井视频监控需求，针对现有图像融合算法获取的融合图像存在伪目标、模糊目标、晕光遮挡目标等问题，提出了一种基于多尺度和自适应高斯差分变换，结合修正非线性单元和VGG-16的矿井双波段图像融合算法。设计了基于多尺度和自适应高斯差分变换的源图像分解模型，将红外和可见光图像分解为基础图像和细节图像；构造了一种修正非线性单元函数，使红外基础图像的权值随可见光基础图像的灰度自动调节，并采用“加权平均”的基础图像融合策略，以获得消除光源干扰的融合基础图像；利用预训练的VGG-16网络模型提取细节图像的4层网络深度特征，获取4对具有不同网络深度特征的融合图像后，通过“极大值选择”方法得到融合细节图像；对融合基础图像和融合细节图像进行重构，获取最终的融合图像。实验结果表明：所提算法能够消除矿井下人工光源干扰，得到场景清晰、特征显著的融合图像，更符合人的视觉特性；同时，改善了异源图像的融合效率，有利于图像的进一步分析处理。与其他典型算法相比，该算法鲁棒性好，克服了传统算法难以提取图像深度特征的缺点，更易于消除光源干扰，获得更加全面、可靠和丰富的场景信息。

为了解决煤矿井下复杂光照条件导致人脸识别率低的问题,提出了一种适用于煤矿井下复杂光照条件下的人脸识别方法。首先利用小波分解将人脸图像分解为低频和高频部分,对低频部分利用直方图均衡化处理,增强图像对比度;然后采用引入模糊隶属度因子的小波去噪模型对高频部分进行滤波处理,并通过新的PAL模糊增强算法对高频部分进行模糊增强,在不同阈值下的非线性变换得到不同尺度、不同方向的特征图像,并进行反模糊处理;最后对处理后的低频和高频部分进行小波重构。实验表明,在井下复杂光照条件下,本文提出的人脸识别方法能有效改善人脸图像的整体效果,增强图像的细节信息,且平均识别率能够达到94.45%,显著提高了井下复杂光照下的人脸识别率。