医学图像配准是信息科学、计算机图像技术和当代医学等多学科交叉的一个研究领域，已经在临床诊断、治疗、术前规划等方面有着广泛的应用。本文对医学图像配准的理论、方法和技术进行了全面地分析与总结，重点研究了基于特征的医学图像配准。特征是图像中易于识别并具有一定几何或解剖意义的信息元素，如点、线段、轮廓等。在特征的引导下，图像配准可以被快速地实现且配准过程具有较强的目的性。针对医学图像配准中具体问题，我们取得了如下的研究成果：针对医学图像间存在差异部分或被关心部分只限于某一特定区域内的情况，论文研究了紧支撑径向基函数在医学图像配准中应用，提出了一种局部医学图像配准方案，将特征点与图像灰度信息相结合以优化配准变换函数。每个特征点被赋予一个影响半径，用来控制特征点的作用范围。针对单模与多模图像间的灰度差异，分别选用灰度差平方和函数(the Sum of Squared Difference)和互信息(Mutual Information)作为衡量图像匹配结果好坏的相似性测度函数。通过插值特征点建立初始配准变换函数，采用小生境遗传算法对参数进行优化。与标准遗传算法相比，小生境遗传算法能够有效地克服经典遗传算法搜索能力差与早熟等缺点，从而获得精确的图像配准结果。针对单一特征引导图像配准的有限性，论文研究了多种图像特征共同引导图像配准的方法，提出了一种同时使用轮廓与特征点的医学图像弹性配准方法。通过直线化减少提取轮廓中关键点的数量，以提高计算效率。以特征点间距离与轮廓间距离累加和作为图像配准的相似性测度，采用迭代过程不断地优化配准变换函数，最终达到特征点对与轮廓对同时匹配，进而引导图像配准。算法同时配准图像整体信息(轮廓)与局部细节信息(特征点)，可以更加准确地补偿图像间的差异。研究了特征曲线在医学图像配准中的应用，提出一种使用特征点与特征曲线的医学图像配准算法。算法既保证了基于特征点配准的精确性又兼有基于特征曲线配准的鲁棒性。半自动的提取方式使操作者能够精确地获得对应的特征点对与特征曲线对，提取后特征曲线采用非均匀三次B样条表示，以使同一对特征曲线具有相同的参数区间。非均匀的曲线离散机制保证了离散后点集尽可能忠于原始特征曲线同时又满足图像配准中的要求。采用薄板样条函数插值特征点对建立初始配准变换函数，通过不断改善特征曲线对间差异最大的区域获得最优配准变换。特征曲线的引入可以实现图像中连续信息的匹配。以特征曲线间的对应关系为基准，提出了一种基于特征曲线的局部图像配准算法，可以实现特征曲线及其周围区域的平滑变换过程。算法采用非均匀三次B样条表示特征曲线，每条特征曲线的作用范围被限制在一定区域内并且分为两部分：内部作用范围和外部作用范围。在内部作用范围内，通过计算每一点相对于测试特征曲线的局部坐标，然后在参考特征曲线坐标系下找到相同的坐标位置，完成该点的交换过程。以边界的精确匹配为依据，在外部作用范围内尽可能均匀地分布一系列对应点对，然后插值这些点对获得外部配准变换函数，完成该区域内的图像配准。该算法对测试特征曲线和参考特征曲线建立共同的外部边界，可以保证配准变换的连续性与局部性。