在医学临床领域,医生需要对解剖图像和功能图像进行对比,对比不同时段的医学图像从而判断病情,而图像配准则对医生判断病情起着关键作用。与之相伴随的是传统方法和深度学习方法在医学图像配准上的发展,现阶段主要研究集中于深度学习领域,基于卷积神经网络（Convolutional Neural Network,CNN）的无监督在配准精度上仍然有待提高。此外带监督的网络学习虽然精度较高,但是其标注数据（形变场）较难获得,因此在实际应用中无法实现。目前基于弱监督的神经网络模型逐渐成为学者们研究的焦点。针对上述情况,提出基于CNN与联合学习的方法,将图像分割与图像配准两种任务相结合的方式应用于医学图像配准的工作,使得配准效果有明显提升。基于医学图像中分割结果的语义信息将会使得网络模型学习到图像的边缘信息的假设,引入了孪生网络的结构,使得多任务学习的参数优化集中在同一共享层中,丰富网络模型的语义信息特征学习。此外,由于配准过程中微分同胚的性质容易被破坏,为了保持形变过程中微分同胚的性质,提出使用互逆的训练方式,引入图像配准过程中浮动图像与固定图像两者的互逆形变,以此保证形变过程中折叠现象的减少,约束形变场的一对一映射关系。同时,对形变场施加局部正则化约束以替代全局正则化,使得损失函数专注于发生折叠的部分而非所有形变位置。为了验证模型的效果,获取了ADNI公开数据集并利用软件得到分割语义信息,在实验结果中表明本文的模型方法中相比于传统方法（Elastix）与其他的深度学习方法（Voxel Morph、FAIM等）在精度上有着近10%的提升并且在折叠现象（微分同胚）体现出更高的合理性,与此同时在时间成本上也有一定程度的提高（30%）。此外通过消融实验,结果证明了引入分割语义信息促进了模型在特征提取时的优越性,互逆一致性损失与局部正则化对于形变场的约束也十分明显。通过可视化的结果能更直观地验证本文所提出的模型的效果。