图像融合技术可以将多幅图像的显著信息有效地结合起来,并通过一幅图像进行表达,以突破单一成像机制传递信息不充足的局限性。在医学成像领域中,基于不同的成像原理,有计算机断层扫描（CT）、磁共振成像（MRI）等众多不同的医疗成像设备,融合的多模态图像可以更全面地描述患者器官的健康状态,为医生制定更适合的治疗方案提供丰富的辅助信息。多模态医学图像的融合质量主要依赖于图像分解和图像融合两个模块。其中,对源图像基础信息和纹理细节的分离效果直接影响融合模块的结果。具体来说,基础信息和纹理细节分离地越彻底,越有利于提升融合图像的质量。所以,在传统的图像融合框架中,基于多尺度分解的多模态医学图像融合方法取得了相对出色的融合效果,但仍然存在一些待解决的问题,比如:多尺度分解方法的分解基底不一致性;获得的图像多尺度特征的种类单一;图像分解方法缺乏自适应性等。本文旨在进一步提升融合图像的质量,分别从三个方面研究多模态医学图像融合算法,具体的研究内容设置如下:1.基于同步各向异性扩散模型的MRI和CT图像融合算法针对图像分解方法中源图像分解基底不一致的问题,提出了一种基于同步各向异性扩散方程（S-ADE）的MRI和CT图像的融合方法。首先,采用改进后的SADE模型对MRI和CT图像分别进行分解,得到对应源图像的基础层和纹理层;然后,采用“最大绝对值”规则融合基础层信息,基于S-ADE方法获得的公共分解系数设计同步各向异性修正拉普拉斯和（NSMAL）算法,计算纹理层的融合决策图。为获得的纹理层决策图设计了一致性检验算法,以减弱融合图像中出现的阶梯效应。再后,通过线性加法将融合的基础层和融合的纹理层进行合并,获得融合图像;最后,经过图像校正得到最终的融合MRI-CT图像。实验结果表明,该方法在保证图像质量和视觉效果的同时,能够保留源图像大量的有用信息。综合主观评价和客观评价结果,S-ADE算法比其他通用融合算法表现更加出色。2.基于图像混合特征分解的MRI和CT图像融合算法为了突破基于图像单一类别特征的分解算法的局限性,提出了一种有效地利用图像混合特征的分解方法。该方法结合基于图像空域和变换域特征表示方法的优点,能够有效分离图像的基础信息和纹理细节,有利于融合规则发挥更好的效果,同时提高基于变换域算法的执行效率。首先,通过非下采样剪切波变换（NSST）方法将源解剖图像分解为一系列高频子带和低频信息;其次,利用设计的基于图像结构相似性和结构张量的优化模型对得到的低频信息进一步分解,得到图像的能量纹理层和基础层;然后,设计了修正选择最大值（MCM）算法融合图像的基础层信息,采用修正拉普拉斯和（SML）方法融合高频子带和能量纹理层;再后,将融合的能量纹理层和基础层线性相加,得到融合图像的低频信息;最后,通过逆NSST操作获得融合图像。通过在50对MRI/CT图像和其他图像上的实验,验证了该方法的优越性。与12种通用的医学图像融合方法对比实验表明,提出的混合分解模型比传统方法具有更好的纹理信息提取能力。3.基于自适应共现滤波分解优化模型的多模态医学图像融合算法为了解决基于滤波器的图像融合方法不能够自适应地处理医学图像且需要多次迭代执行的问题,提出了图像像素强度偏度（SPI）的概念和一种基于自适应共现滤波器（ACOF）的图像分解优化模型。首先,计算源图像的像素强度偏度值,并基于此计算共现滤波器的尺度参数,得到具有自适应性的共现滤波器ACOF。该滤波器能够根据图像的内容执行,而不是依赖固定的滤波尺度。通过ACOF对源图像进行滤波,获得图像的初始基础层。然后,根据基础层像素强度分布的特性构建优化模型,代替广泛使用的迭代滤波器的框架,获得最终的基础层,保证图像的基础信息和纹理细节充分分离。最后,根据设计的融合规则生成融合图像。实验结果表明,ACOF方法在6个客观指标和主观评价方面均有突出的表现,同时具有较高的计算效率。主要创新点概括如下:解决了源图像分解基底不同的问题,构建了具有一致性的图像分解-融合的框架,并通过一致性检验算法和图像校正方法解决了融合图像中残余纹理的现象;通过将基于空域和变换域方法的优点相结合,提出了基于图像混合特征的三尺度分解模型,提高算法执行效率的同时保证了融合图像的质量;提出的自适应共现滤波器分解优化算法解决了迭代执行滤波器的问题,使得图像分解算法具有自适应性。