图像配准在医学图像处理、遥感图像处理等领域发挥着重要作用。通过图像配准可实现不同数据之间的拼接和融合,从而提供更加丰富和直观的图像信息。传统图像配准算法利用图像特征点信息或图像体素灰度值统计信息,通过迭代优化相似性度量函数,求得待配准图像之间相似性最高时的最佳变换矩阵,进而实现配准。该类算法通常迭代速度较慢,无法满足术中配准等实时性需求较高的场景。随着深度学习算法的发展,卷积神经网络在图像分割,目标检测等领域被广泛使用,同时也被引入到图像配准领域,基于深度学习的配准算法不需要迭代,一般速度较快。本文重点研究基于深度学习的医学脑图像配准算法,主要内容如下:(1)本文提出3D U-Net级联空洞卷积子网络的无监督图像配准算法。图像配准需要的是像素点之间精细的空间对应关系,但是U-Net在编码阶段池化下采样操作的存在,带来图像(特征图)空间细节信息的丢失,不利于图像的精细配准。因此本文提出的算法是在3D U-Net网络后面级联一个不包含下采样操作,由连续空洞卷积构成的子网络模块,这样可以实现在保持图像(特征图)原始分辨率,不丢失空间细节信息的情况下,对图像进行精细配准。整个3D U-Net级联连续空洞卷积子网络的无监督图像配准网络从整体上可以实现图像从粗配准到精细配准的效果。与3D U-Net配准网络相比,本文提出的3D U-Net级联空洞卷积子网络的图像配准算法配准后脑脊液、灰质、白质的Dice值在LPBA40数据集上分别提升了12.44%、3.31%、1.77%,在IBSR18数据集上分别提升了14.82%、5.56%、5.99%。(2)本文提出了基于间隔填充-注意力机制的U-Net配准算法。间隔填充机制可以解决U-Net编解码阶段特征图跨层连接出现的语义隔阂问题,同时针对生物医学配准图像之间存在的解剖结构相似性,本文通过引入注意力机制,可以使得网络关注于图像中差异较大的区域,进而提高配准的精度。与3D U-Net配准网络相比,本文提出的基于间隔填充-注意力机制的U-Net网络配准算法配准后脑脊液、灰质、白质的Dice值在LPBA40数据集上分别提升了4.74%、1.33%、1.85%,在IBSR18数据集上分别提升了10.50%、4.97%、4.65%。