近些年,以阿尔茨海默病（Alzheimer Disease,AD）和孤独症（Autism）为代表的神经性疾病对老年人和儿童的身心健康造成了严重损害。这类神经性疾病初期症状不明显因而不易被察觉,当明显症状出现时患者往往已经处于疾病的快速进展期。人脑核磁共振图像（Magnetic Resonance Image,MRI）能够清晰地呈现人脑的解剖细节,对于此类神经性疾病的诊断具有重要的辅助意义。人脑医学图像的配准在临床诊断中有重要的辅助参考价值,同时也是一系列医学图像分析的基础,因而开发出更加准确高效的医学图像配准方法十分必要。传统的医学图像配准方法只能对待配准的图像进行迭代计算,因此配准速度缓慢。近些年兴起的基于深度学习的配准方法极大地提升了配准速度和配准精度,这为相关疾病的临床诊断提供了重要保障。然而,现有的基于深度学习的配准方法对大变形解剖区域和局部解剖细节的配准研究仍不够充分,制约了相关方法在临床中的广泛应用。为了更好地提升医学图像配准准确度,针对当前配准方法在大变形区域和局部解剖区域配准精度低的缺点,本文提出三个无监督的医学图像配准算法,分别解决了在大变形区域和局部解剖区域处配准精度低的难题,同时也提升了图像对之间的整体配准准确度。具体如下:（1）本文提出了一种基于多尺度膨胀卷积一致性损失约束的无监督人脑医学图像配准方法,解决了在大变形解剖区域配准准确度偏低的问题。该方法在信息编码器模块后设计了两个解码器。第一个解码器嵌入了多尺度混合膨胀卷积模块,以有效扩大神经网络的感受野;第二个解码器使用和编码器相同尺寸的卷积核,以维持同尺度感受野的捕获能力。特别地,在两个解码器的输出阶段,该方法设计了一种一致性损失函数,通过对双分支预测的配准图像进行一致性约束可以提升模型的配准精确度以及增强模型的鲁棒性。（2）本文提出了一种基于多视角特征切片信道-空间联合注意力的无监督人脑医学图像配准方法,解决了局部解剖区域配准准确度偏低的问题。该方法首先从模型训练中得到的多个3D特征图中取出相同位置处的2D特征切片,然后进行重组。在重组后的特征切片上使用多视角信道注意力机制,以增强神经网络对重要特征的选取能力,也抑制了一些冗余的非有效信息。在重组后的特征切片上使用多视角空间注意力机制,以引导神经网络更好地关注解剖细节,从而提升在局部解剖区域的配准精度。（3）医学图像的配准既依赖于大解剖区域的整体配准也必须足够重视对局部解剖细节的配准,本文在前两种方法的基础上,提出了一种新颖的全局-局部信息联合训练的人脑医学图像配准框架。该框架的两个U形编码-解码结构用来分别提取完整图像和局部图像块的信息,其中编码器部分嵌入了多尺度膨胀卷积模块和多视角特征切片联合注意力模块。两个网络结构的输出变形场按照权重融合在一起,以增强对全局和局部变形信息的关联度。特别地,本文提出了一种基于体素和形状信息的双重感知的损失函数,以最大程度维持配准过程中重要解剖结构的拓扑形状保持。