多模态的血管图像是基于计算机辅助的血管疾病术前诊断、术中手术导航以及术后观察的重要依据。对多模态医学图像的分割和配准是医学图像处理中非常重要的两个分支。由于图像中血管对比度不高,结构复杂,二维和三维医学图像中血管的精确提取一直以来是亟待解决的问题。此外,将患者术中二维的血管图像与术前的三维血管配准,可有效地提高血管介入手术操作的效率并降低手术风险。本文针对血管图像特征,重点研究多模态下血管的分割和配准技术。完成的主要工作如下:(1)提出了基于正交滤波器二维多尺度血管增强及分割方法,实现了对不同半径血管的增强和自动分割。该方法首先利用正交滤波器提取到血管在不同尺度下的响应。其次,通过模糊和移位操作实现对线状结构的增强。随后,融合不同尺度下的响应,获得最佳的血管增强结果。最后,在血管增强的基础上,通过阈值分割获得血管分割结果。(2)提出了基于卷积神经网络的三维血管分割方法,提取了基于时间飞跃法的脑核磁共振血管造影中的血管结构。该方法通过对血管中心线的三维重建获得血管的表面轮廓,随后通过采样建立了核磁共振血管造影数据的训练样本。本文搭建了基于残差结构的卷积神经网络,利用训练集对样本进行训练直到网络收敛,最终利用训练获得的网络模型对三维血管造影图像进行分割。(3)提出了基于加权的高斯混合模型的血管三维二维(3D-2D)配准方法。本文基于血管分割结果,利用最小路径算法提取了血管的中心线,基于最小生成树构建三维血管图模型,随后建立高斯混合模型。该方法利用血管中心线信息计算血管方向和半径特征,基于特征加权计算两个点云模型之间的相似性测度,最后通过梯度优化迭代直到两个点云之间相似程度最高,进而实现了血管3D-2D配准。