通常单模态医学图像包含信息单一,不能很好的反应病灶区域的全面信息,为了更好地观察病灶区域的情况,医学图像融合技术作为常用的技术手段被广泛应用于医学图像领域中。多模态医学图像融合（Multimodal Medical Image Fusion,MMIF）主要是针对多幅单模态的医学图像进行融合。在融合的过程中,不仅可以保留有效信息、增加互补信息、去除冗余信息,而且经过融合处理后的医学图像更加清晰。医生可以在一幅医学融合图像中获取到多种有效信息,为其医疗诊断提供更加可靠的依据。目前,医学图像融合方法分为基于空间域、变换域及深度学习的方法。基于空间域的方法容易导致融合图像失真。基于深度学习的方法则需要通过大量的数据训练来达到融合的目的,实现过程复杂。相比之下,基于变换域的方法不仅融合效果好,而且简单、易实现。脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）作为单层网络不需要经过数据训练,凭借其出色的特征提取能力被广泛应用于MMIF领域中。然而,PCNN参数需要根据经验手动设置,设置的参数值不佳则会直接影响到融合效果,导致融合图像信息保留不完全、视觉效果差等问题。因此,本文提出在非下采样剪切波变换（Non-Subsample Shearlet Transform,NSST）域内,对PCNN的图像融合算法进行改进,主要研究内容如下:（1）针对传统医学图像融合过程中PCNN参数设置复杂的问题,提出了一种将粒子群优化算法（Particle Swarm Optimization,PSO）与差分进化算法（Differential Evolution,DE）的变异部分相结合优化PCNN参数的方法。首先,源图像在NSST域内被分解成大小相同的若干个高频子带和一个低频子带。其次,采用一种改进的拉普拉斯能量和（Improved Sum Modified Laplacian,ISML）作为输入项激励PCNN模型。通过PSO-DE模型对PCNN的幅度常数Vθ、衰减常数αθ、链接强度β进行优化,将优化后的参数值代入到PCNN中实现对高频子带的融合。接着,采用一种加权局部区域能量（Weighted Local Energy,WLE）与平均梯度（Average Gradient,AG）相结合的方法对低频分量进行融合,使融合图像轮廓更加清晰。最后,融合后的高频分量与低频分量经过NSST逆变换得到最终的融合图像。本文通过对不同模态的脑部解剖医学图像进行融合实验,与其他5种算法结果对比,证明了所提出的方法在主观视觉效果以及客观评价指标上的优越性。（2）针对功能图像与解剖图像融合时出现的器官组织边缘保持效果不佳、PCNN的链接强度β被人工设置为固定值影响融合效果的问题,本文提出将多尺度形态学梯度（Multi-Scale Morphological Gradient,MSMG）作为链接强度β自适应PCNN的融合方法。首先,通过IHS变换将功能图像分解成强度、色度、饱和度分量。其次,利用NSST变换将强度分量与解剖图像的高、低频子带分解出来。高频子带的融合采用像素的平方差总和（Sum of Difference of Two Squares,SDS）激励、MSMG自适应的PCNN作为融合规则。低频分量则采用区域ISML系数加权方法进行融合。接着,融合后的高频、低频子带经过NSST逆变换得到融合后的强度分量。最后,融合后的强度分量与色度、饱和度分量经过IHS逆变换得到最终的融合图像。通过进行功能图像与解剖图像融合的仿真实验,对比了其他5种融合算法,证实本文提出的算法能够有效保留源图像的边缘信息且融合后的图像较为清晰。