图像融合技术可将各种模式医学图像的互补信息整合到同一幅图像中,整合所得图像信息全面、内容丰富,可以更准确、详细地描述病灶部位,提高医生诊疗的精确度。本文主要研究基于非下采样剪切波变换（Non-subsampled Shearlet Transform,NSST）的医学图像融合算法,研究内容和创新如下:1.为提高CT与MRI图像的融合精度,更多地保留源图像的解剖信息,提出一种基于NSST与自适应脉冲耦合神经网络模型（PA-PCNN）的医学图像融合算法。首先通过NSST变换多尺度多方向分解原始图像,获得一系列相关的高频子带和一个低频子带。其次高频系数采用一种PA-PCNN模型进行融合处理,SPCNN模型已被证明非常适用于图像融合,能够有效地保留原始图像的纹理信息,但SPCNN模型通常需要依据实验经验或者实验结果手动设置一系列的自由参数,以至于结果图像与参数间关系不确定。通过采用PA-PCNN模型,不仅可以有效化解自由参数手动设置的难题,增强像素与像素间的关联性,而且能更好地保留图像的纹理信息。对于低频系数的融合,传统的基于平均的低频融合规则往往会导致融合图像中能量信息的损失,进而导致图像对比度降低,为此采用一种能量属性（EA）融合规则,更有利于保存完整的基础信息。最后,通过NSST逆变换重构获得最终融合后的医学图像。仿真结果表明,此算法所得结果图像结构清楚,对比度高,对于细节纹理的保留效果较好,有效避免了伪影、模糊的出现,并在客观指标上取得了更好的效果。2.为提高MRI与PET及SPECT图像的融合精度,使融合后的医学图像包含更多的功能信息及解剖信息,从而更好地分辨病变组织与正常组织,提出一种基于NSST与简化PCNN模型（SPCNN）的医学图像融合算法。首先通过NSST变换多尺度多方向分解原始图像,分解后的高频系数采用SPCNN模型进行融合,在SPCNN模型一系列的自由参数中,链接强度是一个极其关键的参数,它的取值对最终的图像融合质量有很大的影响。自适应地调节链接强度可以提升图像融合的有效性,为此引入多尺度形态梯度,通过多尺度形态梯度调整SPCNN模型中的链接强度,增强图像空间相关性。对于低频系数的融合,常规的基于平均的低频融合规则经常丢失源图像能量信息,以至于一部分区域的亮度快速降低,颜色保真度不高。为此低频系数的融合采用一种加权局部能量（WLE）和基于八邻域的修正拉普拉斯加权和（WSEML）相结合的融合规则,能更好地保留图像能量及细节。最后,通过NSST逆变换重构获得最终融合后的医学图像。仿真结果表明,此算法所得结果图像视觉效果良好,有效地保留了源图像的边缘纹理信息以及有着较好的颜色保真度,同时在客观指标上取得了更好的效果。