在现代临床诊断过程中,医生往往需要通过一系列医学成像技术对病灶进行分析,最终确认诊断结果。由此可见医学影像技术在现代医疗中扮演着关键性的角色。传统的图像配准算法,如B-spline和SYN等在医学配准中取得了很好的效果,但是它有一定的局限性,如适应性差,一种方法或一组参数只适用于某一特定模态甚至特定的数据集上;处理速度慢,传统的配准算法大都采用迭代优化的方式,导致其处理速度相当慢,无法进行实时配准。近年来,深度学习的迅猛发展为解决医学图像配准过程中遇到的疑难问题提供了新的途径。本文提出了一种无监督医学图像配准模型,并通过一系列改进提高其配准结果的准确性。本文的工作可以归纳为以下方面:（1）对新生儿大脑磁共振图像进行预处理。由于医学图像相对于自然图像具有丰富的细节信息并且成像原理更加复杂,因而医学图像的预处理过程与自然图像有一定区别。本文通过对新生儿大脑磁共振大脑图像进行一系列预处理,从而提高数据集图像的质量,进而提升训练后模型在配准过程中准确性。（2）提出了一种无监督图像配准的网络模型—RegNet,该模型引入了空间变换网络（STN）使得网络在训练过程中只需要输入移动图像和参考图像,就可以实现训练过程。实验表明,该网络模型的配准速度很快,通过GPU加速技术不到一秒就能完成配准,但是配准结果的准确性有待改善。（3）为了使本文提出的深度学习网络RegNet在图像配准时有更高的准确率,本文引入了空间激活函数和amSE注意力模块。使用具有学习能力的空间激活函数替换传统的ReLU函数,使得网络对数据具有更好的拟合能力。amSE注意力模块同时引入了空间信息和通道信息。最后通过实验验证了,这两种方法可以显著的提高RegNet配准结果的准确性。