随着医学以及计算机技术的发展,医学图像的匹配逐渐成为一门关键技术。特别是在目前海量医学图像数据库中,医生想要人工的从中找出想要的数据已经成为一件很困难的事情。尤其在大脑疾病的诊断中,从数据库中找出与当前相似的病例,对提高医生诊断的效率和准确性有着重要的意义。目前,已经有许多相关的大脑核磁共振扫描图像(MRI)的匹配算法被提出,如基于灰度的匹配算法、基于小波分析的算法,以及其他一些基于图像特征的算法。但很多算法在效率上不尽人意,并且,每个医生对于病例相似度的定义可能都会因其不同的经验和需要而有所不同,因此,需要一个可以反映用户偏好的算法来提高匹配结果的满意度。　　 针对上述问题,本文提出了一种可并行计算的基于用户反馈大脑核磁共振扫描图像(MRI)的匹配算法。首先将每个图像的特征对应于一个语义标签,这个标签由图像连通域个数,以及每个连通域的面积、位置、灰度特征和形状特征组成,然后,以此语义标签为依据进行匹配,并且利用并行系统构架使得该匹配算法能够对海量图像做匹配处理,得到与输入图像最相似的一组结果,接着,为了符合不同医生的偏好,本文提出了一种反馈算法,由于一些经典的反馈算法不能够很好的拆分为互不相关的几个部分,因此,当数据达到海量级别时,无法使用本文在匹配时设计的并行框架,而本文的算法通过医生对匹配结果相关性的反馈,分别调整每个特征标签的权重,以此来反映不同医生的偏好,而不同特征的权重调整是彼此独立的,所以可以容易的扩展到并行构架中进行加速。实验结果表明,本文设计的算法可以在很大程度上反映出用户的偏好,并且匹配结果的正确性也与按经验给出权重的匹配效果相当。