医学影像分析为各种疾病的诊断和研究提供重要依据,而在医学影像分析中,医学图像配准是最为关键的预处理步骤。目前,传统的医学图像配准技术已趋于成熟,但其配准速度及精度仍无法满足临床需求。鉴于深度学习在计算机视觉领域的优势,本文研究了基于深度学习的多模态图像配准技术,具体如下:（1）针对不同模态下的磁共振结构成像,提出一种基于集成注意力增强和双重相似性引导的无监督深度学习配准模型（ensemble attention attention-based and dual similarity guidance registration network,EADSG-Reg Net）。EADSG-Reg Net包含特征提取、变形场估计和重采样器三个部分。设计级联编码器和解码器实现图像对的多尺度特征提取和变形场的估计。并在级联编码器中引入集成注意力模块（ensemble attention module,EAM）,通过自适应学习所提取特征的重要程度,以此筛选出对配准任务更有用的特征,使得解码器能更准确的估计变形场。为了能够同时准确地估计全局和局部形变,使用全局灰度相似性NMI（normalized mutual information）和基于SSC（self-similarity context）描述符的局部特征相似性共同作为损失函数引导网络训练。实验结果表明,所提出的配准模型,能够有效提升多模态结构图像的配准精度。（2）针对磁共振结构图像和功能图像,由于其灰度不具有线性关系,且纹理、内容相差较大,基于深度卷积提取图像特征后,如何从差异较大的特征中学习到正确的对应关系是一个难点。为此,借鉴拉普拉斯金字塔的思想,学习图像对之间的残差信息。本文提出残差融合配准网络（residual fusion registration network,RF-Reg Net）,设计独立的残差编码器,专用于学习图像对中局部细节的变形参数。实验结果表明,本文所提方法,能够有效保留局部细节信息,可以较好的实现结构和功能图像配准。