图像融合是将多幅图像中有用或互补的信息结合成一幅图像的过程。传统的医学图像融合研究虽然取得一定的成就,但是其不足也渐渐暴露出来,如基于小波变换的医学图像融合方法在融合图像中存在伪影、基于稀疏表示的融合方法细节保留的性能不佳、基于非下采样轮廓变换Nonsubsampled Contourlet Transform,NSCT)的融合方法有特定数量方向组件的局限性等问题。随着深度学习热潮的到来,深度学习已广泛应用于医学图像处理领域。然而,深度学习在医学图像处理中的基本优势一般是以大量带标注的数据集学习为代价的。现实中,这种数据集通常难以获得,因为需要医学专家对医学图像数据进行人工标注,而此操作的成本是非常昂贵的,也是不现实的。针对人工标注的医学图像数据难以获得的问题,本文提出基于零次学习的医学图像融合方法。该方法将NSCT和卷积神经网络（Convolutional Neural Network,CNN）相结合。首先利用NSCT将源图像分解为低频子带和高频子带;然后分别利用经过Image Net预训练的CNN模型和最大选择融合规则（Maximum Selection Fusion Rule,MAX）对高频子带和低频子带进行融合;最后通过逆NSCT变换以获得融合图像。实验表明,与DWT,NSCT＿SF＿PCNN,NSCT＿PCPD,U-Net和CNN这5种常见的图像融合方法相比,第二章提出的方法在细节保留和视觉效果上具有一定优势。第二章只是通过Image Net预训练的CNN模型获得高频特征,为了使融合图像更符合医学图像的特点,第三章提出了一种基于无监督的医学图像融合方法。首先,对源图像进行多尺度分解为高频子带和低频子带。对于高频子带,第三章首先引入了感知损失函数,然后通过训练基于无监督的CNN模型获得。该过程分为两个部分,第一部分是预训练,数据集来自MSCOCO的8万多张图像;第二部分是微调,数据集由来自哈佛医学院的240张医学图像以及经过数据增强后的图像共同构成。对于低频子带,以加权局部能量作为低频融合策略获得。最后,通过对高频子带和低频子带进行逆NSCT操作,以获得最终的融合图像。实验表明,与DWT,NSCT＿SF＿PCNN,NSCT＿PCPD,U-Net,CNN,GF＿WC和NSCT＿PC＿LE这7种常见的融合方法相比,第三章提出的基于无监督的医学融合方法效果更优。