近年来，图像融合技术随着信息融合技术的相关研究有了突飞猛进的成就的基础上，也同样的逐渐发展起来。图像融合其宗旨就是通过多传感器得到多个图像，并将各个源图像进行一定的融合算法和规则处理后得到新的目标图像。对于最终获得的目标图像不但要包含源图像的所有重要信息，而且要足够清晰以便视觉查看和计算处理。图像融合不仅应用在医学、遥感探测、环保等领域，还在雷达图像、反恐侦查等军事上也应用广泛。目前来看，因为Wavelet变换在频域与时域具有杰出的局部化性质，所以使其成为了近年来应用较多的研究方法。但由于Wavelet只能表现零维奇异性而无法表达更高维特征的限制，使其无法良好的表达出图像各向异性的特征。
　　对于认识到Wavelet变换在高维研究中的不足后，本文提出了一种由Wavelet和Ridgelet变换发展起来并且弥补了Wavelet对小波边缘描述缺失的新的多尺度变换Curvelet变换。因为Curvelet变换能够稀疏表达源图像的平滑与边缘部分，所以其可以良好的对直线和平面进行二维信号描述。并且Curvelet变换可以凭借优秀的方向性与各向异性优秀的完成图像中边缘和曲线等信息细节的描述。正因为这些优越的特性，Curvelet可以广泛应用在图像融合、去噪增强及特征提取中，并且效果显著。本文对于传统的低频、高频系数融合规则进行改进，使其更适合Curvelet变换。通过与其它算法融合得到的图像进行对比实验，表明本文的算法在图像处理过程中的优越性。