现代医学诊断中,医学影像技术作为一个强有力的基础工具,充分发挥着不可替代的功能。因为医疗图像设备的局限性,从不同的医疗图像所提取的医学信息也具有一定差异性,在临床诊断中,医生需要将数张不同模态的医学图像组合起来进行诊断。解剖成像方法和功能成像方法是目前主要的两种医学成像方式。解剖成像方式的分辨率较高,可以轻松分辨器官的内部构造,但除非有非常明显的高亮差异信息,不然医生无法判断器官是否发生病变。功能图像可以更好的显示身体不同部位的肿瘤或者组织异常,但不能获取病变区域的解剖信息。多模态医学图像是一个十分高效的技术手段,可以将多个源图像组合成一幅单一的复合图像,复合图像中包含有源图像的关键信息,对于临床诊断起着至关重要的作用。本文根据医生的临床实际需要,对多模态医学图像融合算法展开深入研究。本文的研究目的是为了提出一种可以有效提高融合图像质量的医学图像融合算法,为医生提供更加精准的判断依据。目前,研究人员已经提供了多种图像融合技术,主要包括空间域和变换域。空间域计算效率高,但是存在对比度差和空间定位问题。随着技术的发展,研究人员引入了多尺度变换分解,可以更好的定位图像轮廓和纹理细节。其中的多尺度变换,一般有平稳小波变换（SWT）、离散小波变换（DWT）、双树复小波变换（DTCWT）、双曲波变换（CVT）和轮廓波变换（CNT）等。尽管能够较好的保存了原图像的细节内容,但依然面临着以下问题,不能顾及到在变换域中高低频系数的空间连续性,融合结果对比度较低,部分关键信息的丢失（图像纹理和边缘信息）,以及针对不同融合对象的算法不具备统一性等。为了解决医学图像融合算法存在的问题,本文以人体的大脑组织在同一视角下的功能图像和解剖图像为研究对象,提出了新的多模态医学图像融合算法,它基于能量融合规则和梯度域的脉冲耦合神经网络在非下采样轮廓波变换域中的应用。源图像可以通过非下采样轮廓波变换,划分成低频子带和高频子带,在低频定义域,通过基于能量属性的混合策略实现融合,在高频定义域,通过采用边界度量调制的脉冲耦合神经网络方式实现融合,该模式能够更高效的捕获源图像的特征,从而有效的提高融合图像对比度,并保存源图像中的重要数据信息。卷积神经网络是对人类神经系统进行仿真而形成的一门新兴人工智能科技,在图片分析、图形分割等领域得到成功应用。考虑到提出的算法中对于低频子带处理不足,所以在本文中将卷积神经网络应用于前文算法源图像的低频分量融合方法中,用以学习源图像与融合图像之间的像素级映射过程。网络在训练过程中,输入端为像素块,输出端为0或者1的标签值。网络训练结束后,本文将源图像放入输入端,产生决策图。为了提升决策图的质量,在这里引入了一种可以有效保留边缘的滤波,即引导滤波。流程最后,将最终决策图和源图像结合得到融合图像。与当前使用的几种多模态生物医学图像融合框架进行比较,来评估本文算法。实验结果表明,本文所提供的融合框架优于目前的大多数融合方法,实现了预期效果,并改善了融合图像对比度,有效的捕捉了源图像中的空间信息,保留了更多的源图像信息,不存在失真现象。在对疾病的诊断、病灶位置的准确定位以及术后治疗方案的选择都有着重要的意义。