由于成像机理的不同,单一模态医学图像不能完整、准确、清晰地反应组织或血管病理信息,无法满足临床实践需求。而医学图像融合技术将不同模态图像的互补信息进行联合得到融合图像,能够避免单一维度病理信息带来的局限性。该技术不仅能够提高疾病诊断效率和精度,而且能降低患者图像数据库存储压力。为了提高像素级融合方法的泛化能力和图像融合质量,本文主要工作如下:1)针对基于多尺度分解工具的融合方法中细节信息丢失和能量失真的问题,提出一种对细节提取和能量保存问题进行分别解决的MRI-SPECT融合方法。该方法基于直觉模糊集理论和非下采样剪切波变换,具体过程为对于低频子带融合提出区域能量和方向能量模糊熵进行联合的方法,对于高频子带融合提出一种基于图像亮度信息和直觉模糊集融合策略。为了实现能量保存,提出一种通过构造柯西函数来进行图像亮度增强方法。实验结果表明,该方法可以较好地解决融合过程信息失真的问题;2)传统融合方法通过数学工具获取图像特征来设计融合策略容易造成方法泛化能力弱的问题,为了避免这一问题,提出一种基于非线性预测的MRI-PET融合方法。该方法首先提出了源图像的对称区和非对称区的概念,并使用Chan-Vese模型进行划分。然后在对称区融合中,通过基于构建的数据集来使用BP神经网络进行非线性预测,非对称区采用非此即彼的融合策略。最后联合对称区和非对称区结果得到融合图像。实验结果表明,该方法在同类光谱特征图像块融合中效果较好且稳定;3)针对传统融合思路融合造成光谱信息和空间轮廓信息失真的问题,提出区域融合最优理论,该理论将图像融合方法设计思路从整体转变为局部,注重若干种融合方法效果的协同性。为了验证该理论的可行性和先进性,提出一种针对MRI-PET的融合方法。该方法首先划分对称区和非对称区。然后在对称区融合中使用区域融合最优理论。在非对称区融合中提出了一种图像处理思路用于提升方法的信息提取能力,该思路创新性地提出降低非对称区的亮度以提高对称区的融合质量。最后联合对称区和非对称区的融合结果。实验结果表明,该方法所得到的融合图像不仅结构轮廓更加清晰,而且光谱信息和源图像更为一致。