图像融合技术是20世纪70年代后期被提出并发展起来的一门新技术，在军事和民用领域都有着广泛的应用。基于变换域的图像融合算法是目前研究的热点，在众多多尺度分析工具中，非下采样Contourlet变换（NSCT）不仅具有多分辨率、多方向性特点，还具有各向异性和完全的平移不变性，因此更加适用于图像融合。近年来，基于多尺度分解和脉冲耦合神经网络（PCNN）相结合的图像融合方法获得了更好的融合效果。本文在研究了NSCT和PCNN基本原理的基础上，提出了一种在图像的NSCT变换域内基于自适应PCNN的融合新方法。主要内容概括如下：1、研究了Contourlet变换和NSCT的基本原理，分析了NSCT中影响图像融合质量的因素，并通过多组实验选出了具备最佳融合性能的滤波器组合。2、针对传统基于PCNN的图像融合中所有PCNN神经元的连接强度系数都为相同数值的不足，结合NSCT，提出了以图像的NSCT域内各子带系数的空间频率（SF）作为PCNN对应神经元的自适应连接强度系数、改进的拉普拉斯能量和（SML）作为PCNN每个神经元的外部激励的自适应PCNN模型。3、提出了在图像的NSCT域内使用自适应的PCNN模型进行融合图像子带系数选择的图像融合新方法，并重点说明了对决策图进行一致性检验的方法。使用本文提出的图像融合方法，对红外与可见光图像、多聚焦图像进行了融合对比实验，结果表明，本文方法优于基于传统离散小波变换、平稳小波变换、NSCT及NSCT与传统PCNN模型相结合的图像融合方法。