医学图像融合是指从多模态源图像中提取并组合有意义的信息,旨在生成一个信息量更大、对临床治疗和计算机辅助诊断（CAD）有益的单一融合图像。到目前为止,已经提出并实施了许多融合方案。然而,这些方案以高传感器噪声为代价集成了源图像的最大信息,以局部特征为代价很好地表示了显着特征,以低强度和颜色失真为代价充分改进了局部和纹理特征信息,并且以高计算复杂度为代价捕获最大的特征细节。根据这些限制,本文考虑了一些改进的建议解决方案。首先,本文充分利用了非下采样剪切波变换（NSST）的优势,将源图像分解为低频（LFS）和高频子带（HFS）。并且,本文应用了基于局部特征的模糊像素融合规则来融合LFS。HFS的融合采用了新颖的基于总和修正拉普拉斯算子（NSML）的最大选择融合规则。结合这两种融合策略可以显著增强点、边缘或轮廓等局部特征,并避免融合图像的模糊效应。其次,第二个算法扩展了第一个用于伪彩色成像模态融合的算法。颜色源图像首先转换为YIQ颜色空间,然后通过NSST使用方向窗口大小[8,8,4,4]对Y（亮度分量）图像进行分解,以避免长时间执行。在这里,局部空间频率（SF）和区域能量（RE）被用作模糊界面系统（FIS）的活动测量,用于LFS的融合。由于YIQ的强度和色彩通道之间具有更好的相关性,所提出的方案通过集中抑制颜色失真来有效地捕获局部和纹理特征。然后,第三个算法先应用快速局部拉普拉斯滤波器（FLLF）来增强边缘信息并捕获源图像的实际几何形状。再将参数自适应脉冲耦合神经网络（PA-PCNN）与改进的显着性度量和匹配因子（FW-SMF）融合策略相结合,分别应用于NSST和YUV域中的融合HFS和LFS。该算法不仅丰富了融合图像的细节和对比度,还抑制了传感器噪声伪影和边缘光晕。最后,第四个算法展示了融合对脑肿瘤分级分类的影响。本文先在多层边缘保留滤波器（MLEPF）领域开发了基于区域能量和熵的模糊像素规则和基于WSML的PA-PCNN融合策略,以融合MRI图像;再使用来自Brats2020的单模态数据集（SMD）和来自提议的融合算法的融合模态数据集（FMD）分别训练三个最强大且仍然有效的卷积神经网络（CNN）,即Res Net152、Inception V3和Dense Net201。与SMD相比,FMD获得的分类结果在准确度、灵敏度、特异性、精密度和F1评分方面平均提高了5%。因此,它验证了多模态医学图像的融合可以帮助CAD和放射科医师进行胶质瘤分级分类。针对每个提出的融合方案,对从哈佛医学院数据库中获取的大脑图像数据集进行了几次实验。在主观分析方面,本文结果具有受认可的分辨率和质量对比,并且独立提供有关实际边缘和轮廓的完整信息,获得了理想的整体主观结果。同样,与最先进的方法相比,客观分析指标获得的结果也得到了改进。