多模态医学影像融合将不同模态医学图像中有价值的信息整合在一幅图像中,有利于实现精确的疾病诊断和治疗。目前,国内外已提出多种医学图像融合算法,其中传统方法容易产生伪影,方法鲁棒性较差;深度学习算法结构单一,损失函数难以准确反映融合目标。另一方面,图像融合质量评价至关重要,现有的评价指标只针对图像的某种特性计算,存在评价过于片面、与人眼评价不符等问题。针对现有医学图像融合算法的不足,提出一种基于无监督深度学习的多模医学图像融合方法,通过将可微架构搜索网络改进成端到端的编码解码结构,特异性地搜索出一种适用于医学图像融合的网络模型。网络采用无监督学习方法,直接基于待融合的两幅源图像和融合结果,根据医学图像的特性,有机结合互信息、差值互相关、边缘保护度以及结构相似性等多种指标作为网络训练的损失函数。多种数据集下的实验结果表明:该方法在图像细节保护及图像对比度提升等方面较现有方法具有更优的融合效果。此外,该方法具有更高的计算效率。为了更加准确地评价上述融合算法,针对现有医学图像融合评价方法的不足,提出一种基于感知损失的图像融合质量评价指标—多尺度感知边缘保护度。该指标利用VGG网络提取图像特征,结合图像边缘保护度与特征图边缘保护度形成度量。实验结果表明:该评价指标在主观和客观上相比其他指标更能较好地反映融合图像的质量以及图像融合的效果。此外,与大部分指标相比,该指标具有更高的计算效率。最后,将上述算法嵌入3D Slicer,通过3D Slicer与Deep Infer相结合的方法,基于python平台进行架构搭建,实现了本图像融合模型的应用以及融合结果展示。综上所述,针对现有图像融合方法以及图像融合评价方法的不足,提出了一种新的深度学习图像融合算法以及新的图像融合评价算法,并通过实验验证了上述算法的优越性,最后将算法嵌入软件平台,为临床使用提供了便利。