在医学上为了对病情做出准确全面的诊断及治疗，往往需要对来自不同医学成像设备的图像信息进行研究分析。但在临床诊断中，单一模态的图像往往不能为医生提供所需的足够信息。因此，通过医学图像融合获得包含细节更丰富、信息更全面的融合图像，为准确地诊断和有效地治疗提供可靠的保障具有重要意义。医学图像融合技术，作为一种有机结合各种医学影像信息的有效图像处理手段，在图像引导手术、图像引导放射治疗、非侵入性诊断和治疗计划制定等临床应用中起到重要作用。目前，国内外已有多种医学图像融合算法被提出，但这些算法均仅适用于某些特定类型的医学图像，缺乏良好的适用性和鲁棒性。为解决上述问题，本文提出了基于脉冲发放皮层模型（Spiking Cortical Model，SCM）的两类医学图像融合方法。第一类方法利用SCM自身点火特性实现图像融合，该方法将待融合图像作为SCM网络的输入，激励神经元同步发放脉冲并达到点火状态，通过计算神经元的点火次数，依据点火次数取大和加权求和的融合规则，达到医学图像融合目的；第二类方法将SCM和非下采样Contourlet变换（theNonsubsampled Contourlet Transform, NSCT）相结合，以待融合图像经NSCT分解后的系数作为SCM网络的输入，有机结合SCM网络和NSCT变换的优势，在融合图像中获得更为丰富的细节信息。本论文在四组不同模态的医学图像上对上述方法进行了融合实验，通过互信息、边缘保持度、局部结构相似性和全局图像质量指数指标对融合图像进行客观评价，并与传统的空间域和变换域的医学图像融合算法进行了比对。实验结果表明，无论从主观定性评价还是从客观定量分析，本文提出的算法均优于传统的医学图像融合算法，具有很好的适用性和鲁棒性。