医学图像配准是信息处理、计算机图像技术和现代医学等多学科交叉的研究课题,已经在临床诊断、治疗、术前规划等方面取得了广泛的应用。然而,实际应用表明,医学图像配准在配准精度、速度、自动化以及鲁棒性各方面仍面临诸多困难和挑战。为此,本文全面总结了医学图像配准的理论、方法,重点研究了图像配准过程的各关键技术及其存在的问题,或加以改进或提出新的方法,取得了良好的效果。主要内容包括：(1)针对脑部图像配准中自动提取标记点的方法如基于区域相似性或基于距离图的方法所存在的缺点,提出一种基于形状匹配的自动选取标记点的方法。该方法首先使用种子填充法、边界跟踪法或区域分隔法在浮动图像和参考图像上分别提取脑壳、脑脊液和提取脑白质的边界曲线；然后使用形状上下文在两图像的脑壳和脑脊液边界曲线上选取在形状上具有一一对应关系的点作为标记点。鉴于脑白质边界曲线的形状复杂性,又对形状上下文算法进一步改进,使用小波变换模极值点代替均匀采样点,得到的标记点更具几何意义。基于B-样条插值的配准实验证明,本方法选取的标记点反映了图像的几何特征,在图像上的分布合理、数目合适,能准确地反映两幅图像之间不规则的局部差异。(2)针对基于光流场模型的配准方法不能用于多模态图像之间的配准这一缺点,提出了一种使用精确直方图规定化进行模态变换的方法,同时对基于光流场模型的配准方法进行改进,使得当待配准的两图像差异较大时也能取得满意的配准效果。首先运用上述基于形状匹配的方法自动选取能反映图像结构的标记点,然后使用标记点为光流场构造一种附加的外力,以获得更理想的配准参数。(3)针对非参数图像配准,提出了将分层策略与特征约束相结合的方法来同时提高配准精度和配准速度。在目标函数中融入由图像的局部结构信息构造的特征约束,提高了配准精度；在多层策略下运用特征约束,粗层上的优化结果作为细层的初始值,可以防止参数搜索陷入局部极值；同时,在细层上采用传统的优化方法而不必强求使用费时的智能优化算法就可以搜索到准确的配准参数,提高了配准速度。(4)针对以互信息为相似性测度的多模态医学图像非刚性配准中传统优化方法易于陷入局部极值的缺点,研究了粒子群算法在图像配准的应用。粒子群智能优化方法作为搜索策略,降低了对图像预处理的要求,进一步提高了基于互信息的非刚性配准的鲁棒性。为了克服粒子群算法受初始值选取等因素的影响易陷于局部最优的缺点,使用LBFGS(Limited-memory Broyden-Fletcher-Goldfarb-Shanno)优化得到的结果构造初始粒子群,并采用多目标优化方法与交叉变异相结合的策略,使得算法在解空间搜索的遍历性得到改善,优化结果更接近全局最优。另外,攻读博士学位期间,还参与了导师的关于非平稳信号压缩的课题,并做了一些具体工作,提出了利用压缩传感对非平稳信号进行压缩的方法。该方法通过构造适于压缩传感技术的稀疏基,大大减少了非平稳信号的采样点数,完成了数据的压缩；使用正交匹配追踪方法重构的信号在时域、频域和时频域上和原信号比较误差较小。