在临床诊断治疗中,往往要求对病人的病变部位进行多次成像,以获取互补、有效、全面的信息,提高医生的诊断治疗效果,这就需要进行医学图像的信息融合,把多幅图像的信息融合在一起,并在一幅图像上体现多方面的信息。作为医学图像信息融合的基础,医学图像配准(medical image registration)具有重要的临床应用价值,不仅可以用于诊断治疗,还可以用于病理变化的跟踪和治疗效果的评价等多方面。医学图像配准已经成为当前医学图像处理领域中的研究热点,它主要是寻找两幅图像之间的一个最优变换,使得其中一幅图像在这种变换下和另一幅图像达到空间位置和解剖结构的一致,实质上这是一个最优化问题。医学图像配准的研究具有一定的复杂性和困难度,虽然目前已经提出了许多的算法,但每种配准方法都是针对某一特定问题而设计,具有一定的局限性,而且在配准速度、配准精度等方面都不能同时达到理想的效果。本论文引入一种最新的基于灰度统计的图像配准模型:互信息配准模型,基于该模型的配准方法称为最大互信息法,它利用信息论中的互信息作为两幅配准图像之间的相似性测度,不需要对图像进行分割等预处理,几乎适用于任何不同模式图像的配准,能够得到很好的配准效果。本论文采用的优化算法是具有良好全局搜索能力的遗传算法,并通过在编码、遗传操作算子等方面对标准遗传算法进行改进,提高了算法的性能。本论文针对人脑的二维图像设计了一种遗传算法和最大互信息相结合的医学图像配准算法,采用互信息配准模型,以图像的灰度统计信息为配准依据,用改进的遗传算法搜索图像间的最优变换参数,并用最大互信息作为目标函数指导最优变换参数的搜索,最后通过实验验证了算法的可行性和稳定性。