现代医学影像学为人类防治疾病做出了重要贡献,是自然科学史上的一个里程碑。层出不穷的医学成像技术为生物组织的影像学描述提供了新的工具,其在临床诊断、外科手术、放射治疗、疗效评估等方面发挥着重要作用。但是,受成像机理的限制,各医学成像设备得到的医学影像均还存在某些不足,例如:影像空间分辨率不高,影像结构信息欠缺,影像代谢信息不足,或者影像需要多模态融合才能满足复杂疾病的精确评估等。上述问题的存在,为发展新型医学影像设备提供了动力,也为医学图像处理的改进提供了用武之地。医学图像处理对于改善医学图像质量、完成多模态医学图像的互补性融合、实现重要部位的分割等具有重要作用。本文基于稀疏表示、水平集和活动轮廓模型等理论和方法,研究了多模态医学图像融合和分割新算法,主要创新工作如下:（1）针对稀疏融合中活跃度测量特征参数（块稀疏系数L1范数）可解释性问题,提出了基于块稀疏系数绝对值向量的显著特征图重构算法,以图形化方式展示了该向量对应的显著性特征。进一步,借鉴所提出的广义稀疏表示概念,将上述特征参数定义为块奇异度,并给出了其在稀疏融合领域中的一种物理解释。在此基础上,提出了基于块稀疏系数最大绝对值的奇异特征图重构算法,阐明了块稀疏系数的L∞范数可用来定位图像的局部奇异点。研究结果表明,块稀疏系数可有效地用于图像融合与边缘检测中。（2）针对二阶迭代批处理字典学习融合算法效率低下的问题,提出了基于在线字典学习和脉冲耦合神经网络的医学图像融合算法。该算法利用性能优良、高效率的在线字典学习算法训练字典,基于脉冲耦合神经网络确定融合系数,在保证融合质量的前提下实现了高效率融合。针对噪声下的多模态医学图像融合问题,提出了基于联合稀疏表示的医学图像融合算法。该算法借助联合稀疏表示的去噪功能,在有噪声的情况下也可以有效地实现融合,从而解决了传统融合算法抗噪能力不足的问题。针对单一字典不能反映各类型图像块差异的问题,受启发于分类稀疏表示在图像反问题中的良好表现,提出了基于块分类稀疏表示的医学图像融合算法。该算法利用分类图像块跨位置、非局部自相似性的特点,训练出具有良好非局部特征的字典,以保留源图像的边缘、纹理和细节等信息,从而可获得良好的主客观性能。（3）针对单模态超声医学图像分割中存在的特征信息利用不充分问题,基于全局和局部最大类间距准则,建立了一种变分水平集框架下的活动轮廓模型（命名为GLM）。进一步,挖掘超声图像的局部熵特征,提出了一种两阶段的超声图像精确分割算法。在该算法中,第一阶段利用局部熵对局部灰度扰动的鲁棒性,实现了自动化预分割。第二阶段将预分割结果作为GLM模型的初始轮廓,进行精确分割。实验表明,充分利用单模态图像的有效特征信息,可以实现高质量分割。在PET-CT肺肿瘤医学图像分割问题中,将医生临床经验融入算法设计,借鉴人工勾画肺肿瘤轮廓的经验,提出了基于水平集的PET-CT肺肿瘤融合图像分割方法。该方法结合区域可伸缩拟合模型和最大似然比分类准则,建立了混合活动轮廓模型,实现了 PET-CT肺肿瘤的精确分割,为临床诊疗提供了有效的计算机辅助分割结果。