近年来,深度学习在医学影像处理方面应用愈发广泛,二者的结合促使临床诊断方式发生改变。目前医学影像技术中磁共振成像（Magnetic Resonance Imaging,MRI）凭借良好的软组织分辨率和空间分辨率等优点,成为临床检查的常用手段之一。然而,在MRI成像过程中,由于患者不自觉运动容易产生图像间的非刚性形变,严重影响生成图像间的解剖对应关系。本论文旨在利用基于深度学习的配准技术,解决MRI间的非刚性形变问题。为实现该目的,本文从减少配准网络复杂性以及构建形变场间关系入手,基于深度学习网络进行配准研究。同时由于图像间灰度变化会对配准结果产生不同程度的影响,本文设计了形变一致性损失函数,并将结合该损失函数的深度配准网络用于心脏MRI和存在明显灰度差异的乳腺动态对比增强MRI（Dynamic Contrast-enhanced Magnetic Resonance Imaging,DCE-MRI）的配准中。本文工作主要分为以下三方面:（1）基于多约束的深度形变配准网络研究:针对MRI间存在的非刚性形变,本文提出结合多约束的形变配准网络（Multi-constrained Network,MC-Net）,用于MRI的无监督配准。该网络首先通过交换形变预测模块中浮动图像与目标图像的位置获得不同输出信息,随后结合这些输出构建由不同图像间的相似性约束、正则化性约束和循环对称性约束组成的多种约束关系,最后利用这些约束构成的损失函数训练配准网络。本文算法在评价MRI形变配准后生图像间相似性指标上的结果为0.767,以及评价生成形变场性能指标结果为0.195%。（2）基于新的形变一致性损失函数的配准模型:针对现有形变配准模型多基于图像间相似性因而易受灰度变化影响的问题,本文设计了形变一致性损失函数,对多模块配准网络中不同阶段生成形变场间的对应关系建立约束。通过在心脏MRI上的实验表明,添加此损失函数后,配准网络在评价配准前后图像间结构差异指标上提升了0.013,在评价配准前后图像间灰度差异的RMSE指标均值为0.00297。（3）基于形变一致性损失函数的DCE-MRI非刚性配准研究:针对配准伴有明显灰度变化的乳腺DCE-MRI间非刚性形变易产生病灶扭曲的问题,本文采用添加形变一致性损失函数的MC-Net进行配准。首先结合多种常用的图像扩增方式扩充乳腺DCE-MRI数据,解决现有数据量不足以训练深度学习网络的问题。随后在扩增后的乳腺数据上对结合形变一致性损失函数的MC-Net网络进行训练,得到训练好的配准模型。最终实验对比结果表明,本文方法能有效解决在DCE-MRI形变配准时,由图像间明显灰度差异带来的病灶扭曲等问题,提高配准的精确性。