论文研究了基于多尺度分解与脉冲耦合神经网络相结合的图像融合方法，目的是开发融合效果优良、运算处理速度快的图像融合方法，为图像融合的实际应用提供新的途径。论文的主要研究内容如下：　　 ①介绍了多尺度分解与重构工具在医学图像、多聚焦图像、遥感图像、红外与可见光图像融合方面的应用，以及非采样Contourlet(Nonsubsampled ContourletTransform,NSCT)变换和脉冲耦合神经网络(Pulse coupled neural networks,PCNN)的一般原理。　　 ②实验比较了采用不同的多尺度分解与重构工具获得的融合图像性能，得出了基于非采样Contourlet变换(NSCT)的图像融合方法优于传统的基于小波变换、静态小波变换、提升静态小波变换、Contourlet变换的图像融合的一般结论，提出了NSCT与PCNN相结合的图像融合方法。　　 ③针对PCNN在图像处理时所有链接强度都是使用同一数值的不足，定义了图像单个像素清晰度的概念，提出了以图像单个像素的清晰度作为PCNN链接强度的方法，从而使PCNN可以根据图像的不同特点来自适应选择链接强度的大小。　　 ④传统的基于多尺度分解与PCNN相结合的图像融合方法在选择低频子带系数时大都以图像像素的灰度值做为PCNN神经元的外部输入或直接采用加权平均法。根据人类视觉系统对图像的边缘细节信息比较敏感的特性可知，仅仅以单个像素的灰度值来作为PCNN神经元的外部输入是不够的，直接采用加权平均法会使图像的边缘细节信息被平均亮度湮没。为克服传统方法的不足，本文根据拉普拉斯能量和能够恰当地表征图像边缘细节信息的特性，提出了对图像经NSCT分解后的低频部分采用其拉普拉斯能量和作为PCNN神经元的外部输入；高频部分代表了图像的边缘细节信息，直接将其灰度值作为PCNN神经元的外部输入，根据神经元点火次数的大小来选择融合图像的NSCT系数。　　 为验证本文方法的有效性和优越性，对不同传感器获得的图像进行了融合实验。实验结果表明，本文提出的方法不论是视觉效果上还是客观评价指标上都优于传统的基于小波变换、提升静态小波变换、Contourlet变换、非采样Contourlet变换等常用的图像融合方法。