1.一种基于卷积神经网络的多尺度医学图像融合方法，其特征在于，包括以下步骤；

S1、将解剖型图像和功能型图像进行局部拉普拉斯滤波处理，分解为细节增强的多尺度近似图像和残差图像，其中解剖型图像为MRI图像，功能型图像为PET/SPECT图像；

S2、将解剖型图像输入20层的深度卷积神经网络中提取超分辨率解剖型图像；

S3、将超分辨率解剖型图像和功能型图像输入双分支卷积神经网络中进行卷积，得到一个权重图，结合多尺度近似图像和残差图像融合为多尺度融合图像；

S4、采用局部拉普拉斯的逆运算对多尺度融合图像进行重构；

所述步骤S1的图像分解以局部拉普拉斯滤波器为工具，并且仅输出三个不同尺度的解剖型图像(A)以及功能型图像(B)，分别为(A1，B1)、(A2，B2)、(A3，B3)，尺寸分别为：256×256、

128×128、64×64；

所述S2的超分辨率图像S直接通过叠加深度卷积神经网络提取出的特征图F和卷积过程中的残差图像R得到，计算公式为：S＝F+R；

所述步骤S3的权重图是将配准后的超分辨率解剖型图像和源功能型图像输入到双分支卷积神经网络中得到，该权重图与源图像大小一致，其像素点在0到1之间，代表选取该点像素值的概率；所述步骤S3的多尺度融合图像是通过将分解后的多尺度图像与高斯分解后的权重图进行权重分配后得到；

所述步骤S4采用局部拉普拉斯的逆运算，将多个尺度的融合图像还原为原尺寸的融合图像。