不同成像设备因其成像原理不同，所成图像也会各具特色。将多幅不同类型的医学图像进行融合处理，可使各图像优势得到相互补充，图像信息得到全面利用，为临床诊疗提供更加完善、全面、丰富的医学图像。无论是在医学研究还是临床应用方面，医学图像处理技术发挥的效力和影响力都越来越大，这也促使我们对CT和MRI图像融合的速度要求越来越高，迫使我们寻求具有更好性能的硬件设备去进行图像融合。基于此，论文将通过对计算机图形处理器(Graphics Processing Unit，GPU)编程技术的学习，选用当前最为流行的GPU开发平台——CUDA(Computer Unified Device Architecture统一计算设备架构)，利用它超强的并行计算特性，提升融合速率，以期待通过使用该技术，满足临床医学诊疗对医学图像融合在实时性与可靠性上的要求。论文围绕以下几个方面展开了研究工作：1.介绍了GPU的发展历史和计算优势，以及相关的、需要掌握的CUDA体系结构、编程模型、存储器模型以及CUDA程序的开发环境等基础知识。2.论文以CT和MRI图像为例，介绍了基于CPU医学图像融合技术的相关知识，包括融合方法，融合效果评价指标以及融合过程等；并在小波变换的基础之上，提出一种新的融合算法，该算法能给医学图像融合带来更好的效果。3.对几种典型的融合算法进行比较，从中选出一个最适合用于在CUDA平台上进行并行运算的方法——小波变换法；对模板卷积进行介绍，分析Mallat算法的可并行性；在CUDA平台下对模板卷积、Mallat算法、以及CT和MRI图像的融合进行设计实现。4.将GPU并行加速执行下的图像融合与在CPU上传统串行执行的图像融合进行运算效率比较，以此验证基于GPU医学图像融合的加速效果；并对实验结果加以分析，总结了加速比的发展趋势及成因。论文在传统图像融合的基础上，结合CT和MRI图像的特点，提出了CT和MRI图像的融合新算法，在一定程度上具有创新性；论文将CUDA运用在医学图像融合的领域，并实现了CT图像和MRI图像基于GPU技术的融合，在一定程度上具有实用性；论文还比较了在CPU和GPU环境下同一种融合方法的执行效率，结果显示用CUDA实现CT和MRI的图像融合速度更快，在一定程度上具有先进性。