医学图像融合是一门集信号处理、人工智能技术等多种现代科学技术的学科，本文主要是围绕多模态医学图像融合的应用研究而展开的。医学图像融合包括很多种方法，没有哪一种方法是最好的并且适用于所有的融合场所，本文通过对现有的常用的医学图像融合方法研究的基础上，发现目前基于小波变换和基于传统PCNN模型等多种的融合方法都存在着一些不足，于是针对上述这些融合方法的不足提出了以下优化及改进的方法，并通过仿真实验得到了相关结论，从而改善了图像的融合效果，具体内容如下：1.小波变换是信号时频分析以及处理的有利工具，在实际应用中具有能够单独突出问题某些方面的特征的优点，因此在诸多领域中得到了越来越广泛的应用。对于图像融合的处理过程，如何选取融合规则也很重要。由于实际的小波分解中低频和高频的图像传达的信息各有不同，因此采用的融合规则也不一样：在低频小波系数融合中Tenengrad函数利用Sobel算子来获取水平和垂直方向的梯度大小，从而更多的保留了低频的能量以及源图像的边缘信息；在高频小波系数融合中采取基于局域方差取大准则的方法，这样既平均化了图像各区域内的随机噪声，又避免了融合过程中高频能量的过多损失，从而有效地融合了多张不同源图像的纹理特征和细节信息；另外，由于小波变换中各系数来源的一致性会对图像的融合效果产生影响，所以需进一步对来自于低频和高频的系数进行一致性检验，实验证明采用经过检验之后的小波系数重构的图像具备更清晰、准确的融合效果。2.脉冲耦合神经网络与传统的神经网络有着比较大的差别，它衍生于生物学，是根据动物(诸如猫和猴子等)大脑皮层上的同步脉冲发放现象而被定义产生的。它在图像分割、图像边缘检测、图像细化以及图像识别等方面有着广泛的应用，并显现了其独特的优越性，但同时也存在着计算量大、需要用户设置网络结构以及较多参数等不足之处，针对上述问题，本文通过对双通道PCNN模型的改进，提出了一种邻域SEML激励的自适应双通道PCNN新方法，即通过提高模型的性能和PCNN进行自动化图像处理的能力。实验结果证明该方法得到的融合图像比其它方法该方法得到的图像具有更高的图像质量。