在医学影像诊断中,医生们通常需要借助计算机对医学图像二维切片或三维序列进行分析和处理,以辅助他们对感兴趣区域进行定性或者定量分析,提高诊疗的准确性和可靠性。本论文重点研究了医学图像处理中的医学图像分割算法,还研究了医学图像配准技术及相关应用,包括胎儿MRI大脑自动提取、心脏MRI左心室自动分割,以及基于CT与锥形束CT形变配准的腮腺剂量评估。胎儿大脑提取是胎儿MRI图像重建和分析的重要步骤之一。然而,由于胎儿在子宫内的运动,从稀疏且伴有伪影的成像序列中提取胎儿大脑是一项具有挑战性的任务。为了解决这一问题,我们提出使用二维多级深度监督U-Net（DS U-Net）对胎儿MRI大脑进行自动提取。具体来说,我们首先用DS U-Net粗分割结果定义一个边界框以确定大脑的位置,然后用另外一个DS U-Net在提取后的区域上进行细分割,最后再进行更为精细的分割。为了使网络获得更好的辨别能力,DS U-Net引入深度监督机制进行训练。我们使用80个序列进行训练,43个序列进行测试。实验结果显示,使用我们的方法得到的分割结果dice系数为91.69%,精确性和鲁棒性超过已有的其它方法。从心脏MRI图像中分割左心室是计算心脏临床指标的一项必要步骤。在本项工作中,我们提出了一种新的用于心脏短轴MRI图像左心室自动分割的方法。为实现左心室自动分割,方法总共分为三个步骤:（1）训练一个单独的神经网络以用于检测左心室并且提取感兴趣区域;（2）训练一全卷积神经网络从数据标签中学习左心室分割任务;（3）将经过检测器后带有感兴趣区域的MRI图像提供给分割模型进行预测。本工作使用MICCAI2009左心室分割挑战赛的45例心脏MRI数据进行训练和测试,实验结果表明,我们所提出方法的准确性和鲁棒性超过其它已有的方法,良好勾画百分比（%）、平均dice系数（ADM）和平均垂直距离（APD）分别为97.44（3.17）,0.94（0.02）和1.49（0.16）mm。放射性口干是头颈部肿瘤患者中一种常见的并发症。本论文使用计划CT和每周CBCT形变配准的向量场矫正CBCT的电子密度,矫正后的CBCT用于估计治疗期间的实际放疗剂量。其中,病人治疗计划中的照射野参数被映射到矫正后的CBCT图像上,以用于重建每周的放疗剂量,而每周的放疗剂量相叠加最终得到累加放疗剂量。21个鼻咽癌患者的42个腮腺被纳入研究并进行了分析,实验结果表明,患口干和不患口干两组病人间实际放疗剂量V₂₀、V₃₀、D₅₀和D_mean差异的p值小于0.05,而计划剂量仅在D₅₀和D_mean上存在显著差异,放射性口干与V₂₀、V₃₀、D₅₀和D_mean显著相关。