La fusión de imágenes de múltiples sensores se utiliza para combinar la información complementaria de las imágenes de origen de los múltiples sensores. Recientemente, se han estudiado ampliamente los esquemas de fusión de imágenes convencionales basados en técnicas de procesamiento de señales, y se han introducido técnicas basadas en aprendizaje automático en la fusión de imágenes debido a las ventajas prominentes. En este trabajo, se propone un nuevo método de fusión de imágenes de múltiples sensores basado en la máquina de vectores de soporte y el análisis de componentes principales. Primero, se extraen las características clave de las imágenes de origen combinando la técnica de ventana deslizante y cinco indicadores de evaluación efectivos. En segundo lugar, se utiliza un modelo de máquina de vectores de soporte entrenado para extraer la región de enfoque y la región no enfocada de las imágenes de origen según las características de imagen extraídas, por lo tanto, se obtiene la decisión de fusión para cada imagen de origen. Luego, se utiliza la operación de verificación de consistencia para absorber un único punto singular en las decisiones del clasificador entrenado. Finalmente, se propone un método novedoso basado en el análisis de componentes principales y la ventana deslizante de múltiples escalas para manejar las áreas disputadas en el par de decisiones de fusión. Se realizan experimentos para verificar el rendimiento del nuevo método combinado.