随着医学成像技术的不断发展,涌现了多种具备不同功能的先进医学成像设备,为临床的诊断和治疗提供了多种模态的医学影像。但单一模态医学图像对同一人体器官组织的成像只能反映有限的结构、形态和功能信息,满足不了临床诊断和治疗的需要。医学图像融合技术就是充分利用不同多模态图像的有用和互补信息获得更全面更准确的图像,提高医生诊断率。本文以不同模态的医学图像为研究对象,从多尺度变换和融合算法两个角度分析图像融合,提出了基于改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)和稀疏表示的非下采样剪切波变换域的医学图像融合。由于经过非下采样剪切波变换分解产生的低频系数不具有良好稀疏性,因此将稀疏表示(Sparse Representation,SR)引入低频图像融合过程,为了更多保留图像细节信息,采取能量方差加权求和的方法融合稀疏系数。分解产生的高频系数稀疏性良好,各像素点间具有较强相关性,将PCNN引入高频图像融合过程以提高融合精度。针对单个像素输入PCNN存在融合效果不佳的问题,将改进拉普拉斯能量和(Sum of the energy of Modified Laplacian,SML)作为PCNN输入项;针对链接强度取固定值限制PCNN自适应性的问题,将8方向Sobel梯度能量(Energy of Gradient)引入PCNN,自适应调节PCNN链接强度,采取点火次数总和取大的融合规则融合高频系数。对多组不同模态的医学图像进行融合,实验结果表明对非下采样剪切波变换分解的低频图像优先进行稀疏表示,高频图像采用改进PCNN的融合方法要比使用单一融合算法得到的图像更清晰,融合效果更好,在主观和客观评价上均有一定优越性。