随着人工智能的兴起，在医学图像处理方向上，数字医疗技术和智慧医疗技术开始步入医疗诊断系统中，应用计算机视觉技术取得了新进展。医学图像的信息丰富度和图片清晰度，一直是临床医生诊疗的关键判别依据。现有的医学成像方式未充分利用功能成像及解剖成像的优势，通过融合技术将两者有效结合，最大化的呈现患者病理信息，辅助医生诊断病情，有效弥补单一模态下医学图像信息缺失的缺陷。
　　单模态的医学图像特征较简单，有效信息较少;融合后的多模态图像更加完备，为医疗诊断供应更有效的信息。目前疾病种类呈现多样化且复杂的趋势，这促使对医学诊断技术的要求进一步提高。传统医学图像融合算法存在特征点模糊和融合伪影，使得融合结果精确性不高、细节特征不显著。针对融合伪影和医学图像训练数据量不足的问题，本文进行了如下的研究:
　　(1)针对融合伪影问题，运用区域拉普拉斯金字塔(Local Laplacian Pyramid，LLP)结合卷积神经网络(Convolutional Neural Networks，CNN)的医学图像处理算法，简称LPCNN融合算法。首先，将源图像通过LLP进行解析;其次，利用结构风险最小化来改进CNN网络，通过设置步长实现卷积层的降维;然后，不断迭代优化生成最优权重W，确定卷积神经网络的各项参数，指导图像进行融合;最后，利用LLP逆向重建生成融合后新图像F。通过仿真发现，该算法解决了传统融合医学图像算法产生的融合伪影问题，融合图像效果较佳，为精确定位病灶及手术治疗提供有利的图像信息依据。
　　(2)针对数据量不足问题，运用改进的生成对抗网络(Generative Adversarial Network，GAN)结合迁移学习(Transfer Learning)来实现医学图像数据增强的融合方法。由于医学图像库存量不足，故本文利用迁移学习将可见光图像与红外图像训练生成的GAN网络参数迁移到改进的CNN网络中。首先，操纵源域中大量的红外图和可见光图构造出预训练网络模型;其次，融合过程中提取代表性的语义信息，学习融合图像与源图像的特征映射，转化为网络参数;然后，通过目标域中少量待测CT和MR图像来进行微调模型，成功将参数从GAN模型中迁移到改进的CNN模型里。最后，利用权重W引导待融合的CT与MR图像，通过LLP逆向重建得到高质量新图像。通过仿真实验发现，本文算法在克服伪影的情况下，解决了医学图像训练数据量不足的问题，较好地保留了原图片的边缘、纹理等信息，融合效果较佳。