医学图像配准是当今世界许多科研机构和研究人员的研究热点。寻找出某种速度快、精度高、匹配适应性好的图像配准算法是实现医学图像配准的关键。基于多项式配准算法、相关函数配准算法以及近期的序贯相似度度量算法、神经网络算法等具有一定的使用局限性,利用基于互信息的图像配准方法能够弥补传统配准方法的不足。本文研究了基于最大互信息的医学图像配准方法,并分别结合Powell算法、遗传算法和粒子群优化算法(PSO)实现了图像配准。Powell算法是一种局部优化算法,其计算效率低,本文重点研究了后两种全局智能优化算法。一种是基于互信息和遗传算法的医学图像配准方法。该方法在基于互信息的图像配准方法的基础上引入遗传算法,对配准方法的搜索策略进行改进,求解基于互信息的配准过程中的空间变换参数。实验结果表明,算法可以较好地实现医学图像配准,不仅改善了传统局部优化算法中配准参数求解并不是全局最优的问题,且运算速度提到了提高,可实现医学图像的精确且较为快速地配准。另一种方法充分利用互信息和粒子群优化算法(PSO)的优点,提出基于互信息和粒子群优化算法的医学图像配准方法。该算法对粒子群初始位置采用均匀赋值的方法,避免了因随机产生的初始位置集中在某小块区域而使寻优陷入局部极值的问题。为了提高运行速度,算法中引入进化速度因子作为搜索终止条件。在实验设计和结果分析中,对基于互信息和Powell算法、基于互信息和遗传算法、基于互信息和粒子群优化算法的三种算法进行了大量比较。实验结果表明,本文提出的智能优化算法可在较短运算时间下获得较为精确的医学图像配准结果,从而显示本文算法的发展应用潜力。