多模态医学图像融合包括组合两个或多个相同或不同模态的图像,旨在改善图像内容并保留信息。医学成像技术的快速发展使得科研人员关注到融合不同模态的医学图像来辅助专家进行诊断和治疗的重要性。这项技术不仅可以克服单一模态图像的局限性,还可以降低医学影像的存储成本。此外,融合结果有助于后续其他任务,如分割、分类和检测等。虽然当前已经有很多基于传统算法和深度学习的医学图像融合算法被提出,但是融合结果颜色失真,边缘模糊,细节丢失等问题尚未解决。针对现有医学图像融合方法存在的缺陷,本文提出了两种可以增强图像的医学图像融合算法。1.针对颜色失真、边缘结构和纹理信息模糊等问题,本文提出了一种基于局部拉普拉斯滤波（Local Laplacian Filter,LLF）和迭代联合滤波（Iterative Joint Filter,IJF）的医学图像融合方法。该方法首先利用LLF对输入图像进行增强并将其分解为一组近似图像和两组残差图像。然后利用IJF对近似图像进行融合,残差层则利用基于感兴趣的融合规则,最后利用LLF反变换实现图像重构。本文通过实验验证了该算法在主观评价和客观指标上的表现都较为优越。2.针对噪声、对比度较低、亮度信息不够丰富等问题,本文提出了一种基于谱总变分（Spectral Total Variation,STV）和改进的拉普拉斯能量和（New Sum of Modified Laplacian,NSML）的图像融合方法。考虑到STV对增强边缘和纹理信息的优势,该方法采用STV对输入图像进行多尺度分解,将其分解为一组增强的细节层和一组基础层,然后将输入图像减去基础层得到其对应的残差层。该方法侧重增强解剖医学图像（MRI）中的边缘纹理信息,因此使用NSML将MRI增强的细节层与功能医学图像（PET/SPECT）的残差层融合在一起。基础层则采用局部能量最大值（Local Energy Maximum,LEM）的策略。实验表明,该方法的融合结果在主观评价以及多个客观指标上的表现都更为优越。