随着医学影像技术的不断提高,医学成像在临床诊断和治疗中已经成为必不可少的一部分。然而单模态的医学图像难以充分、准确地反映病理组织信息。医学图像融合是指通过各种算法将两幅或两幅以上多模态医学图像整合到一幅融合图像上,融合图像集成了输入源图像的特征信息,能够为临床诊断提供精准的判断依据。目前已经有大量的医学图像融合方法被提出,但是现有的融合方法普遍存在细节、亮度丢失以及颜色失真等问题,医疗诊断需要更多精准的判断依据。本文主要以解剖型医学图像和功能型医学图像为医学图像融合的对象,为了解决融合图像丢失纹理细节信息和边缘信息以及图像颜色失真的问题,本文提出了两种基于卷积神经网络的医学图像融合方法。本文提出的第一种方法,即基于多尺度双分支残差注意力机制的医学图像融合方法。首先,该方法使用特征提取模块中的多尺度双分支残差注意力机制块提取多尺度特征,同时所提取的特征保留了更多源图像中的细节信息。然后,利用特征融合模块中提出的第三种融合策略融合具有丰富细节和多尺度的特征。最后,利用图像重建模块中的多层卷积重建融合的特征得到最终的融合图像,使其尽可能多的不丢失源图像中的信息提高融合图像的清晰度。实验结果表明,本文提出的第一种方法得到的融合图像很好地保留了亮度信息,颜色保真度较高,融合图像有更多清晰的细节信息。另外,为了避免设计复杂的融合策略,同时能够保证融合图像的质量,本文提出了第二种方法,即基于密集注意力机制的生成对抗网络的医学图像融合方法,包括生成器网络和判别器网络。该方法利用三层金字塔结构的生成器网络提取源图像多尺度的深层和浅层特征信息,并且生成器网络中的注意力机制可以捕捉更多的纹理和边缘等细节信息。然后判别器网络的多个卷积层和一个自适应层判断输入图像的真实性,生成器和判别器之间达到平衡后得到最终的融合图像。实验结果表明,本文提出的第二种方法得到的融合图像不仅没有丢失颜色信息,而且很好地保留了纹理细节信息和边缘信息。