Este documento presenta una red de fusión de imágenes basada en una red residual especial y un mecanismo de atención. En comparación con la red de fusión tradicional, la red de fusión de imágenes tiene las ventajas de una red de extremo a extremo e integra las ventajas de extracción de características de la red residual de mecanismo de atención. Supera las deficiencias de la red tradicional que requiere reglas de diseño complejas y operaciones manuales. En este método, se utiliza la fusión de características jerárquicas para lograr una fusión efectiva. Se diseña una función de pérdida combinada para optimizar los resultados del entrenamiento y mejorar la calidad de la fusión de imágenes. Este documento utiliza muchos análisis experimentales cualitativos y cuantitativos en diferentes conjuntos de datos. Los resultados muestran que, en comparación con el algoritmo de comparación, el método en este documento tiene una mayor capacidad de retención de la información de luz infrarroja y visible y mejores índices. El 72% de once índices en comparación con algunas imágenes en el conjunto de datos público TNO son óptimos o subóptimos, y el 80% son óptimos o subóptimos en el conjunto de datos RoadScene, lo cual es mucho más alto que otros algoritmos. El efecto general de fusión se ajusta más a la percepción visual humana.