随着医疗影像的发展,CT、MRI和PET等成为临床诊断不可或缺的工具,不同医学影像为医生的诊断提供方便,为患者阶段性复查提供便利。但是由于成像机制的不同,成像也不同。如CT侧重骨骼成像,MRI侧重软组织,因此医学多模态图像融合受到越来越多的学者关注。与图像融合类似,医学多模态图像融合分成三个步骤,首先对源图像进行多尺度、多方向分解;其次,采用融合规则进行融合;最后,采用逆运算获得最终融合图像。将不同模态医学图像融合在一幅图像中,对临床诊断具有十分重要的意义。当下存在许多融合算法,文章重点研究了以下几个方面:(1)针对非负矩阵分解中算法复杂度较高的问题,提出一种基于加权非负矩阵分解和双通道脉冲耦合神经网络的图像融合的改进算法。对于图像低频子带,采用改进的加权非负矩阵分解的算法,动态更新权值矩阵,更好的提取图像特征信息;对于高频子带,采用改进双通道脉冲耦合神经网络的算法,链接强度值采用文章提出的块的梯度值,更好地保留图像的微小细节信息。实验表明,将加权非负矩阵分解与双通道脉冲耦合神经网络相结合,不仅能很好的提取图像的特征信息,保留更多细节信息,同时双通道的脉冲耦合神经网络的方法能提高算法运行效率。(2)针对目前脉冲耦合神经网络模型参数较多且数值不确定的问题,提出简化的P CNN模型的方法。对于图像低频子带采用边缘能量和梯度能量和的融合规则,提高图像边缘方向敏感度,更好的提取图像特征信息;对于图像高频子带采用简化PCNN模型,模型参数少,同时通过模拟退火算法,寻找参数最优值,链接输入值采用可见度值。通过实验证实了简化PCNN模型能提高了算法运行速率。(3)实现了多模态医学图像融合系统,系统由图像预处理、图像融合和客观评价三个模块组成,其中图像融合分别采用本文提出的改进加权非负矩阵分解的算法和简化PCNN融合的算法。并对图像的融合结果进行评价,证明了本文算法的有效性及意义。