随着传感器技术的发展,医学成像设备呈现出多样化。不同的设备由于成像原理不同,导致它们采集的信息不同。为了充分结合各类医学图像的优势辅助医生完成诊断,研究人员把来自不同设备的医学图像进行融合。融合后的图像可以更完整地描述器官的形态结构和代谢情况,帮助医生更好地完成患者的诊疗方案。当前,医学图像融合质量直接取决于特征表示和融合策略两个部分。传统的特征表示方法通常依赖于新的信号处理思想,这会限制算法的灵活性;融合策略的选择过程夹杂了过多的人为干预,增加了对算法性能影响的不确定性。随着深度学习在计算机视觉领域的兴起,其强大的表征学习能力可以降低人为因素对融合过程的影响。深度学习医学图像融合模型可以把复杂的操作简化成模块任务,提升融合图像质量的同时增强了算法的可扩展性。本文对基于深度学习的医学图像融合模型相关技术问题进行研究,针对传统融合方法难以解决的医学图像噪声多、边缘特征难处理、细节信息难描述和上下文特征难融合的问题,提出了四种基于深度学习的医学图像融合模型。具体研究内容如下:1.提出基于直觉模糊集的残差密集网络医学图像融合模型。该模型构建了直觉模糊集和特征复用层,前者有效地降低了医学图像中存在的噪声信息;后者使浅层信息直接被深层使用,增强了图像的显著性特征。交叉熵和结构相似性损失函数的首次组合,有效地降低了图像融合过程中的信息损失。实验结果表明,该模型获得的融合图像可以完整地描述器官的颜色和纹理信息。和其他算法相比,该模型的表现更加出色。2.提出基于卷积神经网络的Hahn-PCNN医学图像融合模型。该模型通过不同卷积核和步长变换的卷积块深度获取图像的特征图,选择Hahn矩去引导图像块的潜在能量,结合脉冲耦合神经网络,实现差异性边缘特征的处理,解决了医学图像边缘特征难处理的问题。实验结果表明,该模型能较好地融合来自不同设备医学图像的边缘特征,去除融合图像的伪影,减少结构和颜色信息的损失,提升了融合图像的质量。3.提出基于生成对抗网络的残差注意力机制医学图像融合模型。该模型采用残差注意力机制块和串联细节纹理块相结合的方式构造图像的生成器,利用该生成器描绘全局依赖关系提升图像对细节信息的描述。双判别器的设计是完成对生成图像颜色和结构信息的补充。实验结果表明,该模型获取的融合图像能捕捉到更多的细节信息,有利于辅助医生了解组织异常情况。在包含主观和客观的评估体系中,该模型的表现也优于其它对比算法。4.提出基于上下文特征的注意力-多尺度网络医学图像融合模型。该模型构建分层编码器和级联解码器,旨在获取图像上下文特征并实现特征在层间的传递。注意力-多尺度网络的设计是完成图像上下文特征的融合。实验结果表明,该模型得到的融合图像能够更全面地描述医学图像的重要信息。在图像质量评估体系中,该模型也有突出的表现。主要创新点概括如下:（1）提出一个直觉模糊集预处理模块,降低融合图像的噪声信息。结合设计的残差密集网络获取图像的显著性特征。以矩阵的迹为核心构建融合策略,提升了融合图像的质量。（2）选择图像的Hahn矩引导块的潜在能量激励简化自适应脉冲耦合神经网络,解决医学图像融合中面临的边缘特征难处理问题,丰富了融合图像的边缘信息。（3）构建残差注意力机制模块和串联细节纹理模块,解决医学图像中细节信息难描述的问题,同时减少注意力机制带来的信息损失;结合双判别器生成对抗网络,增强了融合图像对组织信息的表征。（4）构建分层编码器和级联解码器,实现医学图像上下文特征的获取和特征的层间传递。设计注意力分支和残差多尺度细节处理分支,解决医学图像上下文特征难融合的问题,同时增强对组织结构、纹理细节和代谢信息的描述,提高融合图像的应用价值。