随着计算机图像处理与医学的快速发展，医学图像融合成为了医学影像学领域的研究热点之一。用于临床诊断和治疗的新型影像设备不断被研制，呈现的信息也趋于多样化，由于成像原理不同，每一种模态的医学图像所反映出的人体信息侧重点不同，而单一模态的医学图像无法获得全面的诊断信息，因此对多模态的医学影像信息，进行适度集成、融合以获得互补信息，可以为临床诊断提供更加直观、全面的医学诊断图像，方便临床医生有效观察和正确诊断。因此，研究医学图像融合具有非常重要的意义。　　 论文主要以医学CT和MR图像为例对医学图像融合算法及其相关理论进行研究。为了验证算法的有效性，本文均考虑已配准好的医学图像，在此基础上进行适度融合。工作的主要内容有如下几点:　　 (1)针对医学图像中滤波效果较差，边缘模糊的问题，利用粗糙集之不可分辨关系理论，提出了一种基于粗糙集的医学图像融合算法。首先对源图像进行粗糙中值滤波，利用粗糙集的精确分类能力将噪声与图像像素分类，然后采用中值滤波将其滤除;之后提出一种粗糙边缘检测算法，对CT图像进行边缘检测，实现边缘点与非边缘点的分类;最后，通过边缘追踪技术扫描CT边缘检测图，实现与MR图的坐标定位，并采用重要中心系数法的融合规则进行融合。实验表明，该算法较好的保持了医学图像的细节信息，融合质量较优且效率较高。　　 (2)由于粗糙集自身特点，在应用于图像处理中存在容错性差、泛化能力弱的问题，而神经网络恰恰弥补了这一点，并且与粗糙集相同，神经网络具有高精度的分类能力。本文第五章将粗糙集与神经网络算法相结合，构造粗神经网络模型，并采用遗传算法对该网络模型训练，进而实现医学图像的融合。首先利用粗糙集的约简理论对输入信息进行约简，约简后的数据作为粗神经网络输入层的上下近似元;通过遗传算法训练已知的粗神经网络结构，优化网络的连接权值;粗神经网络输出层的两个输出值取平均即为融合数据。并选取多组实验样本，进行了多次实验，验证了该算法的有效性。　　 本文作为医学图像融合方法的前瞻研究，为今后开展相关工作奠定了基础。