图像融合是充分利用各源图像之间的冗余和互补信息，使得融合后的图像可信度、分辨率更高，更适合人类视觉感知和计算机后续处理。图像去噪是指在保留图像特征和细节信息的前提下，尽可能地减少和去除噪声。图像的融合及去噪都是图像的预处理，其处理效果的好坏对后续的图像处理如纹理分析、特征提取、模式识别等都要重要的影响，因此对图像融合及去噪的研究有着非常重要的意义。非下采样Shearlet变换（NSST）是最新提出的一种多尺度几何分析工具，它拥有优良的特性，如它具有非常好的方向敏感性、良好的局部时频特性，另外还是一种接近最优的多维函数“稀疏”表示，这就决定了其可以很好的应用到图像融合与去噪中。本文主要工作如下：1.介绍了图像融合及去噪的发展历程，给出了非下采样Shearlet变换的原理及实现过程。2.介绍了脉冲耦合神经网络（PCNN）的一般原理。提出了一种NSST与PCNN相结合的图像融合算法。对经过NSST变换后的高频子带系数采用一种改进的空间频率作为PCNN输入，且采用改进的拉普拉斯能量和作为PCNN的链接强度。实验结果表明，本文提出的算法不仅在主观视觉上取得较好的效果，而且在客观标准上也有了一定的提高。3.提出一种基于正态逆高斯模型的非下采样Shearlet变换图像去噪算法。首先对经过NSST分解后的高频子带系数以正态逆高斯模型为先验模型进行统计建模，估计出每个子带内的模型参数，然后在贝叶斯最大后验概率估计准则下推导出与正态逆高斯模型相对应的可变的阈值函数表达式。