医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。作为医学图像处理与分析中的基础和关键技术,具有重要的理论研究和临床应用价值。医学图像的配准过程本质上是一个对多参数的相似性测度进行最优化的问题,而本文的工作即是改进相似性测度和优化算法,从而提升医学图像配准的性能。具体的,研究同一优化算法在不同相似性测度条件下的医学图像配准效果,以及不同优化算法在同一相似性测度条件下的医学图像配准效果。其中,基于灰度的医学刚体配准方法中,由于插值的引入,往往导致目标函数或多或少产生插值伪影,这造成相似性测度曲线变得不光滑,从而使得后续的寻优进程易陷入局部极值,最终导致配准失败等情况。基于此,本文提出了一种改进的条件方差和(Sum of Conditional Variance,SCV)方法,该方法使用了一种新的插值函数来替代高阶插值函数,可以使得相似性测度曲线变得更光滑,有效地避免了配准进程陷入局部极值,得到更正确的配准结果。基于灰度的医学图像配准问题实质是配准函数优化问题,其中一个主要任务是寻找精确性和收敛性都较好的优化算法。本文介绍并分析了差分搜索算法(Differential Search Algorithm,DSA)的基本原理,指出其具有结构简单、运行速度快、不易陷入局部极值的特点,但此算法在迭代后期存在不易找到峰值的缺点。基于此,本文分别提出了改进的差分搜索算法(Modified Differential Search Algorithm,MDSA)以及混合差分搜索算法(Hybrid Differential Search Algorithm,HDSA)来优化原差分搜索算法的不足。相对于原差分搜索算法而言,这两种改进的优化算法更好的结合了搜索的广度和探索的深度,平衡了算法的全局性与局部性,使得寻优过程更加稳定、高效。实验证明这两种改进后的优化算法有着更强的全局和局部搜索能力,将这两种改进的优化算法应用于医学图像配准领域,可以得到更加优异的配准结果,有效的提升了医学图像配准的性能。