图像融合技术是利用同一场景或同一目标的多幅输入图像之间信息的互补性,将其整合为一幅图像的过程,该技术能够提高图像中场景或目标的清晰度,并为后续的目标识别、分类等工作提供了更精确可靠的图像支持。目前,该技术已成功应用于军事、农业、安全和监控等众多领域。本文主要研究基于形态分量分析(Morphological Component Analysis,MCA)的多聚焦图像和医学图像融合算法,具体内容如下:第一,改进了形态分量分析算法中的迭代次数和过完备字典的选取方法。针对MCA的迭代次数过小会导致图像分离结果不准确,过大会降低算法效率的问题,本文提出利用小波变换和中值绝对偏差估计源图像的噪声值,并将其作为图像分解过程中残差的阈值,以确保该算法能够根据图像自身特性自适应地选择分解迭代次数。另外,针对MCA采用的固定字典自适应能力较弱的问题,本文提出采用K-SVD(K-Singular Value Decomposition)算法训练字典,以更好地利用卡通分量和纹理分量的特性。实验结果表明,改进MCA算法获得的融合图像在主观视觉和客观评价指标中均有更优的表现。第二,提出基于改进MCA和非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)的多聚焦图像融合算法。为弥补MCA细节表现能力不足的缺陷,本文提出采用NSST分解卡通分量,以捕捉其各个尺度各个方向的细节特征。另外,提出空间频率和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的纹理融合规则,并结合人类视觉特性提出改进的拉普拉斯能量和(Sum-Modified-Laplacian,SML)加权平均的低频融合规则。实验结果表明,该算法能够准确判断多聚焦图像的清晰区域,并减少了传统变换域算法中出现的伪影、扭曲等影响图像质量的现象。第三,提出基于改进MCA和多目标粒子群优化(Multi-Objective Particle Swarm Optimization,MOPSO)的医学图像融合算法,主要利用MOPSO优化卡通融合规则及图像重建规则中的加权系数,并结合IHS(Intensity,Hue,Saturation)颜色模型将该算法应用到彩色医学图像融合中。实验结果证明,该算法在灰度医学图像融合及彩色医学图像融合中均能够得到优于对比算法的融合结果。