医学图像配准是医学影像处理的重要研究课题之一。借助图像处理技术对多幅图像进行配准和融合,能够在一幅图像上表达更全面的信息,辅助临床诊断和治疗。虽然配准算法在医学领域内得到了广泛关注和普遍应用,但是现有算法仍存在着许多缺陷,精度和速度有待提高。本文在配准理论的基础上,论述了当前主要配准技术的现况,对多模态医学图像配准算法进行了研究和改进。对于刚性目标对象,互信息是使用最为广泛的配准测度。本文提出了一种基于归一化互信息的全局优化配准算法,旨在准确、可靠地配准多模态医学图像。首先提取出目标物体的外轮廓面,用基于Levenberg-Marquardt的最近点迭代法初步对齐图像,然后用确定性的全局优化方法Dividing Rectangles搜索归一化互信息的全局最优解。算法利用图像的特征信息,为Dividing Rectangles提供了一个较好的初始配准位置,充分利用了Dividing Rectangles在小范围内的高效搜索能力。实验结果表明,对于Vanderbilt大学提供的三维人体脑部多模态数据,算法达到了亚像素级配准精度,有效的避免了配准过程中出现的局部极值,与现有局部优化算法和全局随机性优化算法相比,配准精度更高,速度更快。对于存在局部形变的目标对象,本文进一步研究弹性配准算法,提出了一种基于弹簧分子系统的形变模型。算法的主要思想是将源图像Delaunay三角化,用弹簧分子系统模拟网格形变,网格点在系统力的作用下移动,以拟合待配准的目标图像。力由归一化互信息梯度定义,并利用已知解剖结构特征的对应关系对形变过程进行约束。经过一段时间,网格点停止运动,对每一个三角形计算局部仿射变换。在二维人脑数据上进行仿真实验,结果表明,算法能够快速准确地控制局部形变,对单模态和多模态图像都能有效的进行配准。