图像配准和图像分割是医学图像处理中的两项关键技术,在疾病诊断、手术导航、疗效评估等实际医疗场景中发挥着非常重要的作用。传统的医学图像配准和人工分割耗时较长,且对医生的专业水平要求较高。随着医学图像种类和数量的激增,医生的工作负担显著增加,从而导致漏诊和误诊的现象发生。近些年来深度学习的快速发展,吸引了越来越多的研究人员将深度学习引入医学图像配准和分割任务中,利用计算机来辅助医生进行诊断,提高医生的工作效率。本文对现有医学图像配准和分割算法中存在的不足进行分析和研究,并基于深度学习技术提出了相应的改进方法。在医学图像配准任务中,由于不同模态的图像信息（如灰度、纹理）有着明显差异,导致卷积神经网络在多模态图像配准时不能很好地直接从原图中捕捉空间位置对应关系。为了解决这一难题,本文提出了基于边缘特征的无监督多模态图像配准模型,采用改进的Canny算子同时对图像的横截面、矢状面和冠状面三个方向提取边缘特征,利用边缘信息指导全卷积网络学习多模态图像配准。本文使用该模型对刚性数据集和非刚性数据集进行配准,Dice相似系数分别达到了 97.3%和97.5%,证明了本文所提方法的有效性。在医学图像分割任务中,经典的U-Net模型已经被广泛应用,但是构成其网络结构的卷积算子具有一定的局限性。为了解决这一问题,本文提出了两种改进方法。针对卷积算子不能有效捕捉空间特异信息的问题,本文将Involution算子融入U-Net结构提出了 InvResUNet,增强了模型对空间信息的建模能力。对于卷积算子缺乏建立长距离像素间关联信息的能力,本文将自注意力机制与U-Net结构结合提出了ST-UNet,加强图像中不同像素点的信息交流,从而为模型提供更为精确的分割信息。本文在公开数据集BraTS 2015和BraTS 2020,以及北京301医院提供的胶质瘤和脑膜瘤数据集上评估了 InvResUNet和ST-UNet网络的分割性能。其中,在Bra TS 2020数据集上,针对整个肿瘤区域,InvResUNet和ST-UNet的Dice相似系数分别达到91.8%和91.1%,相比于U-Net提升了 19.1%和18.2%。充分验证了本文所提模型的可靠性和优越性。