图像融合旨在整合同一场景成像的多幅源图像,将其中的互补信息合成到高信息密度的融合图像中,以获得更加适合人类观察和视觉感知任务的图像。融合图像拥有对场景全面准确的表达能力,能够提高视觉感知应用的安全性和实时性,在医学诊断、军事安防、遥测感知等领域均具有很高的应用价值。但是多源图像融合任务的源图像间信息差异较大,传统的独立分析方法又缺乏联合分析多张图像的能力,导致融合图像经常存在局部失真和信息丢失问题。因此本文针对基于联合分析理论的图像融合展开研究,提出两种基于多源联合分析的图像融合新方法。本文方法分别面向多聚焦图像融合和多模态医学图像融合,主要研究工作总结如下:1、传统多尺度分解模型只能对单幅图像进行分解,要实现融合任务需要并联多个模型实现多源分解。基于传统模型的融合方法缺乏联合分析多幅图像的能力,导致后续融合环节的灵活性与适应性不足。因此本文对多源输入图像融合方法进行改进,提出基于协同多尺度分解的图像融合方法。该方法首先分析了多聚焦图像联合结构的高动态幅值变化特征,通过引入交互式引导滤波器联合分析多源图像,构建协同多尺度分解方法分离联合结构。该方法通过比较独立结构定位图像的聚焦区域,采用均值-引导组合滤波器和局部空间频率特征融合不同结构层,最后组合基层图像和纹理层图像获得融合图像。实验结果证明该方法能够保存更多的有效信息并且提升了融合的质量。2、传统脉冲耦合神经网络（PCNN）的单输入结构不能联合输入多幅图像,需要多个模型才能实现图像融合,存在结构复杂和计算量大等问题。基于传统网络的融合方法的关键参数固定,导致网络难以提取图像间的联合结构。因此本文对基于PCNN的融合方法进行改进,提出基于双通道参数自适应脉冲耦合神经网络（DualPAPCNN）的医学图像融合方法。该方法首先分析了多模医学图像中存在的联合结构,根据联合结构的特征提出了基于特征度量的链接强度自适应优化方法。该优化方法能够克服传统网络特征提取能力不足的问题,引入双通道模型联合处理双通道输入图像。最后通过对比实验证明了该方法在主观视觉和客观评价上都能取得更好的表现。