在医学临床诊断治疗中,通常需要对病人的病变部位进行多模态成像,来获取互补、有效、全面的信息,以提高医生的诊断治疗效果,这就需要对不同模态的医学图像进行信息融合,将多种模态图像的信息融合在一起,就可以在一幅图像上体现多方面的信息。作为医学图像信息融合的前提,医学图像配准(medical image registration)具有重要的临床应用价值,它即可以用于诊断治疗,也可以用于病理变化的跟踪和治疗效果的评价等多方面。医学图像配准早已经成为当前医学图像处理领域中的研究热点之一,但是由于各种客观因素(如：成像设备不同造成的图像信息的局限性)和主观因素(如：病人医生之间的互动关系),医学图像配准的研究有一定的难度和复杂性,目前已经提出了许多较好算法,但每种医学图像配准方法都只是针对某一特定问题而设计,具有一定的局限性,并且在配准速度、配准精度等方面都不可能同时达到理想的效果。本论文应用基于灰度统计的图像配准模型—互信息配准模型的配准方法对不同模态的医学图像进行配准,基于该模型的图像配准方法称为最大互信息法,它采用信息论中的互信息作为两幅待配准图像之间的相似性测度,不需要对图像进行分割等预处理,几乎适用于任何不同模态图像的配准,并能得到很好的配准效果。本文先介绍了互信息法用于医学图像配准的发展过程,并分析了基于传统的互信息用于医学图像配准中存在的局部极值问题,和几种改进的互信息法用于图像配准的优势和不足之处,提出用I-alpha信息中的SNI(The Second Normalized form of I-alpha information)信息代替传统的互信息,提高了配准的速度,同时又把能够描绘空间信息的改进的梯度信息和只考虑图像灰度信息的SNI信息结合组成新的测度,提高了配准精度和算法的鲁棒性。实验采用新的相似性测度对CT图像、核磁共振图像、单光子图像等不同模态图像进行配准,实验结果证明该算法用于多模态医学图像配准时收敛性能和配准精度都得到很大的提高,很好的解决了传统的互信息用于图像配准中出现的鲁棒性问题。