近年来,数据驱动型算法逐渐成为了计算机医学影像分析方法的主流。目前的数据驱动算法主要侧重于学习输入数据与输出结果之间的映射关系,未能有效利用高层次的知识信息。在医学影像分析领域,高层次知识包括医生多年总结的诊断经验、人体器官形状知识、解剖特征点位置知识等,这些医学知识对于影像分析具有重要参考价值,却很难通过数据驱动型算法直接学习得到。本论文通过融入医学知识来提升医学影像分析算法的性能,在图像分割、影像诊断和图像配准三个方面进行了探索,初步取得了的良好效果。论文的具体工作内容如下:（1）融入解剖知识的低剂量小鼠Micro-CT图像分割。小鼠Micro-CT影像在临床前的癌症研究中被广泛使用。从小鼠Micro-CT中分割主要脏器是测量药物代谢、定位肿瘤病灶的先行步骤。目前小鼠Micro-CT影像大多采用低X射线剂量,造成软组织器官边界模糊,完全依靠图像本身信息难以实现准确分割,须借助器官解剖知识来提升分割精度。本章设计了一个二阶段深层监督全卷积网络,将器官形状和位置信息作为解剖知识融入深度学习网络。实验验证本章方法对主要脏器的平均分割精度Dice指标达到0.84,各器官的精度比传统方法提升了18%～26%。（2）融入医生诊断知识的非小细胞肺癌PET/CT影像诊断。肺癌影像的深度学习诊断是近年来的研究热点,现有算法大多从影像数据本身学习具有诊断价值的特征,却忽略了医生多年积累的临床诊断知识。本章将医生总结的7类肺癌淋巴结良恶性特征融入算法,首先设计了融合PET和CT的双模态影像特征的深度神经网络,然后将医生总结的特征通过全连接层与图像特征进行融合。本章方法对于非小细胞良恶性判别的敏感性为0.86,曲线下面积（Area Under the Receiver Operator Characteristic Curve,AUC）为0.96,比人类医生诊断敏感性提升了13.8%。（3）融入解剖特征点知识的肝癌核磁图像配准。肝癌手术在随访过程中,经常需要把手术前后的核磁图像进行配准,以便对比观察病灶区域的变化。传统的图像配准算法注重优化两幅图像之间的灰度相似性测度,不能有效地配准医生所关注的解剖特征点。本章将肝脏血管分叉点作为约束条件加入到点云匹配算法中,使血管分叉点的配准平均误差达到1.02mm,比传统的基于灰度的配准方法的平均误差减少了13.51mm。本文通过将医学知识融入现有的医学影像分析算法,有效提升了图像分割、配准和诊断的性能。本研究为医学知识与数据驱动型算法的结合做出了初步的积极探索。