图像融合技术是将不同成像方式所形成的多模态图像包含的互补信息融合在一起,生成一幅信息更丰富的合成图像。在分子生物学领域,荧光图像提供与生物细胞蛋白质分布相关的功能信息,但空间分辨率较低,而相衬图像提供高分辨率的结构信息。荧光与相衬图像的融合对亚细胞定位、蛋白质功能分析和基因表达等的研究具有重要意义。在上述研究背景下,本文分别基于传统变换域方法和当前流行的深度学习方法对荧光与相衬图像融合问题进行深入研究,主要工作包括以下三点。1.在基于变换域的荧光与相衬图像融合方法研究中,针对传统方法对源图像细节信息提取不充分的问题,提出了基于非下采样剪切波变换和相位一致性的荧光与相衬图像融合方法。该算法将经过非下采样剪切波变换得到的高频系数和低频系数分别采用基于相位一致性的参数自适应脉冲耦合神经网络和局部能量的融合规则进行融合,再对融合后的高频系数和低频系数进行逆非下采样剪切波变换,重构出融合图像。实验结果表明,该方法可以提取源图像丰富的细节信息,取得明显优于传统方法的结果。2.针对传统基于变换域的图像融合方法需要手动设计图像变换方法和融合策略方面存在的困难,同时为了充分考虑不同源图像的模态特点,提出了基于生成对抗网络（Generative Adversarial Network,GAN）的荧光与相衬图像融合方法。该方法将融合问题建模为生成器与判别器之间的博弈过程,使融合结果尽可能多地从不同源图像中提取互补信息。实验结果表明,该方法在主观评价和客观评价两方面都优于具有代表性的荧光与相衬图像融合方法。3.由于基于GAN的融合方法对于相衬图像的空间细节提取不够充分且GAN模型训练时存在不稳定的现象,提出了基于细节保持交叉网络的荧光与相衬图像融合方法。与传统处理多输入的并行多分支结构不同,该方法通过一条结构引导的功能特征提取分支和一条功能引导的结构特征提取分支以交叉的方式交互地提取荧光图像的功能信息和相衬图像的结构信息。此外,由八个多尺度卷积块以短、中、长跳跃连接组成的细节保存模块进一步提升了网络的细节提取能力。实验结果表明,该方法在主观视觉和客观评价上都优于最新的荧光与相衬图像融合方法。