医学图像融合是对多幅不同模态的医学图像进行信息综合，合成一幅包含所有源图像重要信息的融合图像的过程。该技术充分利用不同模态医学图像提供病灶信息的冗余性和互补性，以获得比单一模态医学图像更全面、更精确的病灶属性描述。随着多分辨率分析理论的发展和完善，基于多分辨率分析的图像融合已被公认为是性能更为理想的一类融合方法，但此类方法合成图像的质量很大程度上取决于执行图像多尺度分解的理论工具的性能。新近出现的具有平移不变性的非下采样的轮廓波变换（NSCT）和非下采样的剪切波变换（NSST）拥有更加完美的图像表述能力，更适合于图像的融合处理。　　本研究主要内容包括：⑴针对许多图像融合方法不能很好地提取并保存源图像细节信息的问题，本文提出了一种基于 NSCT域的细节增强的医学图像融合方法。该方法通过如下方式实现源图像信息的提取、保存以及合成图像细节的增强。利用视觉可见性的测度准则计算源图像的权值图，实现源图像重要信息的提取和转移；对各级分解子带进行内容适应性增强，以此突出源图像的细节信息；对重构前的混合子带进行增益控制增强，进一步调整融合图像的亮度和清晰度。实验结果表明提出的方法能够有效增强融合图像的细节信息。⑵针对传统的基于NSCT的融合算法遗漏其高频子带系数间相关性关系的问题，提出了基于NSCT域系数统计的医学图像融合方法。该方法首先通过广义高斯分布函数精确拟合 NSCT域高频子带系数的概率分布直方图，然后使用吉森香农差（JSD）量化两个高斯分布函数间的相似度，最后将系数间的依赖性关系嵌入到高频子带的融合规则中。实验结果表明提出的方法明显优于传统的基于NSCT的医学图像融合方法，在互信息和信息熵两个客观评价指标上具有优异的性能表现。⑶为了弥补经典的 PCNN模型中待定参数过多、缺乏适应性、时间开销过大的缺陷，本文提出了基于NSST与双通道单位链接PCNN的医学图像融合方法。该方法简化了传统PCCN模型中的链接结构，将NSST对图像灵活的多尺度、多方向分解的特性同双通道 PCCN模型全局耦合及脉冲同步发放特性结合在一起。同传统的 PCNN模型相比，提出的模型具有设置参数少、适应性强的优点。算法执行的过程中以区域图像清晰度的对比度作为链接强度的智能化输入，并通过赋时矩阵T确定迭代次数，有效提高了其适应性并减少了时间消耗。多组融合实验的结果显示提出的方法具有优异的图像融合性能，其融合图像在主观视觉表现和多项客观指标的评价中均优于传统的基于PCNN的医学图像融合方法。⑷针对二维医学图像融合算法应用于三维医学图像体数据的融合时导致第三维信息丢失的问题，本文提出一种新的基于3D Shearlet变换的三维医学图像融合方法。该方法充分考虑到人体组织的内部结构特征，定义了基于体素物理特性的特征级融合规则。算法的实现过程是首先采用结构张量提取高频子带系数对应体素的空间物理结构特征，然后对结构张量矩阵进行秩分析，判定待融合图像间对应体素的结构相似度，最后依据判定结果定义新的融合规则。实验表明提出的算法能够很好地融合3D医学图像，并具有很好的应用价值。