本文针对医学临床图像自动识别技术中的医学图像边缘检测和图像配准等关键算法开展研究。鉴于医学图像边缘检测和图像配准是医学临床图像智能识别中的基础算法,该算法的准确与否直接关系到临床识别的准确性,因此它们在医学图像分割、图像拼接和病灶确定等方面占有举足轻重的地位。本文详细地研究了传统和新兴的边缘检测方法,客观地分析了它们的优缺点。经典边缘检测方法存在计算量大,对噪声敏感等缺点。本文在研究数学形态学的基础上,提出了一种基于多结构元素的医学图像边缘检测算法。该算法采用不同方向的结构元素,保证了图像信息的完整性,避免了采用单一结构元素所造成的边缘信息的丢失,并且可以很好地提取含有噪声的图像,从而实现了提高精度与抗噪声性能的协调统一。针对无噪声和有噪声的真彩色医学图像进行实验,并和其它的边缘检测算法进行比较,实验表明,该算法在完整性、精确性和抗噪声性能上都有显著的改善。其次,作者研究了医学图像的配准技术,分析和总结了现有配准的主要方法、性能以及存在的问题,提出一种基于兴趣点方向特征的图像配准方法。该算法综合利用了兴趣点的亮度和空间信息,使用Harris角检测器提取出兴趣点,采用兴趣点主方向和互相关系数相结合的方法得到两幅图像的对应兴趣点特征对并加以匹配。实验证明,该算法的准确率高,鲁棒性强,在医学图像智能识别上具有较高的使用价值。