近年来现代医学成像设备随着科技的进步得到了迅猛的发展。不同的医学成像设备能够产生不同模态的医学图像,而不同模态的医学图像能够反映出人体不同组织结构的具体信息,通过对不同的多模态图像进行信息集成,医生可以在同一张图像上观察到更多的有用信息,从而能够更好地进行疾病的检测和诊断,因此,医学图像配准与融合技术应运而生。本文对医学图像配准和融合技术进行算法研究,主要研究内容如下:（1）针对现有医学图像配准算法存在配准精度不高、图像匹配度低以及图像配准后存在偏移等问题,本文提出了一种基于共同感兴趣子区域（Region of Interest,简称ROI）的医学图像自动配准算法。在该算法中,对两幅图像（目标图像和浮动图像）中感兴趣的公共子区域（一般是脑部病变或者肿瘤）进行自动检测和配准,然后从子区域配准中获得转换参数,最后将转换参数应用于图像的整体配准中,实现源图像的最终配准。实验结果分析表明,本文提出的图像配准算法具有较好的性能,配准后的图像精度高、偏移量小,更好地匹配了目标图像和浮动图像并且配准的时间明显优于其他图像配准算法。（2）针对现有医学图像融合算法融合过程中出现细节特征丢失从而导致融合效果差的问题,本文提出了一种基于参数自适应脉冲耦合神经网络（Parameter-Adaptive Pulse-Coupled Neural Network,简称PAPCNN）和卷积稀疏表示（CSR,简称Convolutional Sparse Representation）的多模态医学图像融合方法。首先待融合的医学源图像通过非下采样剪切波变换（Non-subsampled Shearlet Transform,简称NSST）分解成高低频分量,随后使用改进的PAPCNN对源图像分解出来的高频分量进行融合;然后再使用CSR对源图像的低频分量进行融合;最后使用NSST反变换将融合后的高低频分量重建为融合图像。多组实验结果表明,本文提出的医学图像融合算法相比于其他的对比算法能够更好的融合源图像中的细节特征和边缘纹理信息,并且在客观评价指标方面也有较为优越的表现。