医学成像已经成为现代医疗不可或缺的一部分，但不同模态的医学图像有各自的优缺点，如何将不同模态的医学图像信息优势互补、综合表达，为临床诊断和治疗提供更加充分、全面的解剖和功能信息，就成了急需解决的问题。目前还没有一个通用的、精确的、高性能的和实时的医学图像融合算法，本文主要对小波变换、PCNN和提升小波变换的医学图像融合算法进行进一步研究。通过仿真实验得到了相关结论，完成了一定量的创新性工作，本文具体的创新工作内容如下：在不同模糊的MRI医学图像融合方面，针对传统的基于小波变换的融合算法过程中存在图像边缘丢失和图像纹理信息比较模糊的问题，设计了一种小波变换的图像融合新算法。对小波分解后的低频系数采用基于边缘特征的选择方法，使得融合图像较好地保留源图像中的边缘轮廓信息；高频系数采用基于局域方差取大准则，这样能够有效地将来自不同图像的纹理特征和细节有机的融合起来；为了抑制噪声和控制图像的不稳定性，最后再对低﹑高频系数的选择结果进行邻域窗口的一致性检验与调整，保证了融合图像的稳定性和连续性。实验结果表明，该算法具有比经典金字塔方法和小波变换方法更好的融合性能。在CT和MRI的医学图像融合方面，针对传统的基于PCNN的融合算法中每个神经元链接强度取同一常数的不足，设计了一种邻域空间频域激励的自适应PCNN医学图像融合新方法。首先，使用图像逐像素的改进拉普拉斯能量和（SML）清晰度作为PCNN对应神经元的链接强度；同时利用邻域空间频域（SF）特征信息激励每个神经元；然后，将源图像输入PCNN获得点火映射图构成的点火频数，再判定并选择各参与融合图像中的清晰部分生成融合图像。实验结果表明，改进的PCNN模型用于CT与MRI医学图像融合算法是有效的。在MRA与MRI以及MRI-T1与MRI-T2多模态医学图像融合方面，针对提升小波和PCNN各自在图像融合算法的优势方面，有效地将二者结合起来设计并实现了一种基于提升小波变换和PCNN的医学图像融合新方法。首先，利用提升小波变换对源图像进行多尺度分解，得到不同尺度下的子带系数；然后，使用不同频率下小波系数的局域方向信息作为PCNN各个神经元的链接强度，经过PCNN点火获得点火映射图构成的点火频数，并根据点火频数进行PCNN的融合策略设计；最后，经提升小波变换的逆变换得到融合图像。将上述方法用于多模态医学图像融合取得了比较好的实验结果，进一步证明了方法的可行性，具有一定的实用价值。