作为医学图像处理的两项关键技术,医学图像配准和分割被广泛应用于临床诊断、精准医疗、术后评估等多个领域。然而在实际应用中,受目标个体结构的复杂特性以及医学成像方式多样化的影响,医学图像配准和分割技术依然存在很多问题,在速度和精度上无法较好地满足临床应用需求,因此医学图像配准和分割仍是医学图像处理领域的研究重点。本文结合深度学习方法对医学图像配准和分割技术存在的一些主要问题进行分析和研究。本文主要的工作和创新点包括:(1)针对传统刚性配准方法在对高维多模态图像进行配准时存在配准时间长、易陷入局部极值的问题,提出了一种基于全卷积神经网络(Fully Convolutional Networks,FCN)和互信息的混合优化配准方法。该方法利用全卷积神经网络提取图像深层特征并快速完成粗配准;再将配准得到的变换参数作为互信息搜索算法的起始点,从而缩小最优解的搜索范围;最后利用互信息算法对参数进一步微调优化,得到最终配准结果。实验结果表明,该方法不仅可以有效避免陷入局部极值,获得更高的配准精度,而且还能大幅度缩短配准所需时间,具备更快的配准速度。(2)针对传统非刚性配准方法存在配准速度慢、而深度学习方法存在标签难以获取的问题,提出了一种基于U-Net和空间变换网络(Spatial Transformer Network,STN)的无监督非刚性配准方法。该方法首先基于U-Net结构构建一个可以实现快速非刚性配准的模型;再结合STN实现无监督自适应优化模型参数。该方法在没有训练标签的情形下,依然能够学习图像特征之间的非线性对应关系,可以快速完成非刚性配准任务,并具有比传统方法更好的配准性能。(3)从多模态磁共振图像中精确分割出脑胶质瘤是一项极具挑战性的任务,现有的分割算法在分割精度方面或多或少存在一些不足,为了进一步提升脑胶质瘤的分割精度,提出了一种基于多尺度Dense Net和集成学习的分割方法。该方法将多尺度机制引入到Dense Net模型中,从而构建不同截面的基分类器,再结合集成学习将不同截面基分类器获取到的信息进行整合分析从而实现脑胶质瘤的分割,最后利用条件随机场(Conditional Random Field,CRF)进一步优化分割边界得到最终的分割结果。本文使用公开数据集对所提方法进行验证,并与其他主流的分割方法进行对比,实验结果表明,本文提出的方法具有更高的分割精度。