医学图像的配准和融合一直以来都是非常具有挑战性的任务,并且在临床中对于肺部呼吸运动估计、近距离粒子治疗、剂量规划和阿兹海默症诊断等方面具有重要意义。本文以基于深度学习的医学图像配准与融合关键技术为研究对象,设计开发了基于无监督学习医学图像配准框架和基于迁移学习的医学图像融合框架。主要研究成果如下:首先,为缓解现有公开数据资源有限导致的模型过拟合问题,提出了一种基于三维薄板样条（3D-Thin Plate Spline,3D-TPS）变换的数据增强方法,通过在真实图像和虚拟图像中布置控制点,在拟合控制点集的同时最小化弯曲能量进而求解得到两幅图像之间的一一映射,从而将真实图像进行任意扭曲生成大量虚拟图像实现对训练数据的扩容,以满足神经网络的训练需求。其次,针对医学图像的配准,提出一种基于无监督学习的端到端的非刚性配准方法。改进现有U-Net卷积神经网络结构,在跳跃连接之间引入Inception模块,该卷积神经网络集成了U-Net特征融合与Inception模块的多尺度特征感知的优点,充分融合各尺度深层特征有利于生成高精度的位移向量场。同时为保证位移向量场平滑,在损失函数中引入雅克比正则化项,达到在网络训练中显式惩罚位移向量场的奇点的目的。在上述基础上,分别使用归一化互相关和互信息相似性度量项,通过惩罚图像间的差异可分别实现对单模态和多模态医学图像的非刚性配准。最后,提出一种基于迁移学习的多模态医学图像融合的新方法。将图像分解为代表大尺度强度变化的低频图像和包含小尺度变化的高频图像。利用引导滤波器生成的低频权重映射融合低频图像,并利用预训练模型提取的深度特征图指导生成高频权重映射融合高频图像。通过在RIRE（Retrospective Image Registration Evaluation Project）数据集上进行的测试实验,验证所提出的方法在医学图像融合任务中的有效性。综上,本文提出基于3D-TPS的提出了数据增强算法,解决了卷积神经网络的训练数据需求,提高了网络模型的泛化能力。基于深度学习理论设计了一套用于医学图像配准和融合的框架,实现了对医学图像高精度、高效率的配准与融合,具备强大的潜在临床应用价值。