红外与可见光图像融合作为图像处理的研究热点具有十分广阔的应用前景。通过脉冲耦合神经网络（PCNN）实现红外与可见光图像融合,是目前该领域研究的热点和难点。本课题以多尺度分析为工具,运用脉冲耦合神经网络理论,对红外与可见光图像融合的精确性、可靠性问题进行研究。首先,针对传统的PCNN模型结构采用二值函数去模拟神经元之间的输出特性,导致神经元之间丢失大量局部相关性的问题,提出了一种S型动态输出的脉冲耦合耦合神经网络（SPCNN）,提出的网络模型加强了邻近神经元之间的强弱关系,有利于图像细节信息的获取。通过将SPCNN模型与非下采样轮廓波变换（NSCT）相结合为实现红外与可见光图像融合奠定基础。其次,在传统的PCNN模型中,阈值的变化是定值,使得阈值针对不同的图像输入缺乏自适应性。所以在SPCNN的基础上,提出了一种阈值自适应的脉冲耦合神经网络（TAPCNN）,提出的TAPCNN通过构建激活差函数、自适应衰减系数和自适应阈值函数,使得TAPCNN模型可以根据输入图像像素值分布的不同自适应的调整阈值,为红外与可见光图像融合获得丰富的纹理和背景信息提供保障。继而,基于红外与可见光图像融合策略的理论,提出了一种二次决策的图像融合方法,通过将源可见光图像与一次融合图像进行二次融合,有利于提高二次融合图像的清晰度和对比度。其次,根据高频子带图像的相关理论基础,对高频融合规则进行了改进,改进后的规则使得高频子带图像中的纹理,边缘等信息更加显著。最后,将提出的TAPCNN与非下采样剪切波变换（NSST）结合实现更加精确的红外与可见光图像二次决策融合,并通过实验验证改进算法的精确性和可靠性。