医学图像作为重要的图像资源,在医学研究领域中有着举足轻重的地位。而医学成像设备作为医学图像的主要获取途径,它所提供的影像有其自身的优势和局限性,一种模式通常不能为整个医学诊断提供足够的信息,从而影响医生对病情的诊断。为了解决这个问题,最常用的方法就是通过某种方式将多张特征图融合在一起,以满足对各种图像蕴含信息的综合评估,并期待能达到一加一大于二的目的。因此医学图像融合技术应用而生,它旨在综合各种医学成像设备所采集的信息,以达到全面直观的反映病人实际情况的目的,为医者了解患者病情提供有力而准确的帮助。多尺度变换具有多分辨率分析性、多方向性等特点,能够较好的处理复杂多样的医学图像。据此,本文基于多尺度变换提出了两种处理医学图像的融合算法。主要内容如下:（1）针对医学图像融合过程中细节特征信息丢失的问题,提出了一种基于非下采样轮廓波变换（Non-Subsampled Contourlet Transform,NSCT）与离散小波变换（Discrete Wavelet Transform,DWT）的脉冲耦合神经网络（Pulse-Coupled Neural Network,PCNN）医学图像融合算法。NSCT在处理图像纹理边缘方面有较好的效果,DWT在保留图像细节信息方面优势突出,因此将这两种分解方法相结合以提取源图像中更多的信息内容。首先,利用NSCT变换对源图像进行分解,获得相应的高、低频子带,由于低频子带包含了源图像的主要能量信息,进而利用DWT对得到的低频子带再进行分解。然后,利用PCNN融合低频子带,并对拉普拉斯能量和（Sum-Modified Laplacia,SML）进行改进作为PCNN的输入项,将信息熵与匹配度相结合作为高频子带的融合方案。最后,利用多尺度逆变换重构系数从而得到融合结果。（2）针对医学影像复杂多样的特性,结合非下采样剪切波变换（Non-Subsampled Shearlet Transform,NSST）可以有效捕捉图像特征信息的特点,提出了一种基于NSST的局部拉普拉斯能量医学图像融合方法。该方法利用NSST变换先将源图像分解为相应的高、低频子带。然后,提出基于方向提取的局部拉普拉斯能量对低频子带进行融合,结合区域能量与平均梯度融合高频子带。最后,利用NSST逆变换进行图像重构得到融合结果。（3）为了验证两种算法的有效性和可行性,本文结合实际进行了多组对比实验,并选取相关算法进行对比操作。将实验结果从主、客观两方面来进行评价分析。首先,从主观角度上来看,两种算法均有效地提高了融合图像的性能,可以将大量信息保留至融合后的图像,改善了图像的视觉感知。其次,从客观角度上分析,两种算法在常用图像质量评价指标上总体表现较好,融合效果优于其他对比算法。