医学影像在临床诊断中发挥着十分重要的作用,不同的影像传递的医学信息不同:电子计算机断层扫描（Computed Tomography,CT）对高密度区域更敏感;磁共振成像（Magnetic Resonance Imaging,MRI）对软组织结构显示更加清晰。由于单模态医学图像自身蕴含的信息有限且无法满足日益复杂的医学诊断需求,医生需要同时对多种模态数据进行详细分析,这增加了疾病的识别成本,同时加重了临床医生的诊断负担。综上,本文针对CT和MRI这两类常用的医学影像设计了一种智能的双模态医学影像融合框架,尝试通过合理的分解及融合算法将有效的双模态信息提取到单张影像中,为临床诊断提供便利。在医学影像分解部分,本文选取基于全局优化的迭代最小二乘滤波算法（Iterative Least Squares Filter,ILSF）,利用加法半二次最小化加速,提升影像分解速度以满足实时应用需求。同时,本文提出了基于非显著梯度的自适应平滑参数初始化方法（Adaptive smoothing parameter initialization method based on NonSalient Gradient,A-NSG）,根据不同的影像特征,自适应的初始化平滑参数,从而避免了人工调试参数造成的不准确性。最后,本文提出了一个基于A-NSG和ILSF的多尺度分解框架,实现对源图像高、低频信息的彻底分离。在融合规则部分,本文针对不同频率子带的特点设计了不同的融合框架,分别给出了初始和改进后的融合规则,并对相应的融合结果做出了对比分析。改进后的融合算法分为两部分:在细节层,本文首先对高频子带进行归一化预处理,然后通过离散微分算子得到高频子带的梯度图,之后提出基于主梯度分析的梯度密度检测算法（Major Gradient Analysis,MGA）对权重图进行修正,使用双边滤波器将权重图由二值图像规范化为[0,1]内均匀分布的权重图,最后重建得到融合后的细节层;在基础层,本文提出基于加权改进拉普拉斯的结构信息量化方法（Weighted Modified Laplacian,WML）定量对比源图像低频子带中的结构信息量,以更符合人眼感知的方式进一步构建融合后的基础层。本文提出的算法在双模态医学影像融合方面表现出色,融合结果拥有丰富的纹理细节和清晰的对比度,符合医生的可视化需求。通过与9种经典的医学影像融合算法对比,本文提出的算法模型在主观评价和客观指标两个层面均取得了优异的性能。本文的主要贡献可概括如下:1)提出了基于A-NSG和ILSF的多尺度分解框架,根据影像特征智能的初始化平滑参数,充分利用高低频特征信息,避免分解过程中的信息损失,减少了人工调参造成的时间消耗和不确定性。2)提出了基于主梯度分析的梯度密度检测算法MGA,并将其用于细节层融合。通过MGA检测细节层中的梯度密集区域,从而过滤冗余纹理信息、修正高频子带融合权重,在高频子带中保留更有效的纹理信息。3)提出了基于加权改进拉普拉斯的结构信息量化方法WML,并将其用于基础层融合。通过WML准确量化源图像中的结构信息,放大结构区域与非结构区域的差异,筛选出更多的结构信息,避免软组织对比度丧失。