图像配准是医学图像分析的前提,能够使两幅图像的相应结构在空间位置上保持一致。具体地,它是将一幅图像的相应结构配准到另一幅图像的空间位置坐标系上。医学图像配准是计算机辅助医疗的关键技术,在疾病检测、手术模拟与导航、基于图谱的结构分割、辅助治疗等医学领域发挥着重要的作用。尽管医学图像配准技术在近些年取得了良好的发展,但在配准精度与质量上仍然面临着一些问题。从数据层面来看,基于深度学习的图像配准方法需要大量的真实标注数据用于训练,但公开的标注数据较少,数据标注的过程费时费力;从配准策略来看,当前配准方法采用的单尺度配准策略难以捕捉到医学图像中复杂形变;从网络结构来看,简单堆叠卷积块的结构难以提取出对于图像中结构位移信息更有区别度的判别性特征。这些问题都影响了医学图像配准的效果。为了提高医学图像配准的质量与精度,本论文从上述问题出发,针对缺少真实标注数据、单尺度配准策略导致的配准质量不高问题,提出了基于无监督深度学习的医学图像多尺度配准方法;针对现有配准方法未充分提取与图像中结构位移信息区别度高的特征问题,提出了基于特征代表物匹配体的医学图像配准方法。本论文的主要研究内容如下:（1）提出了一种基于无监督深度学习的医学图像多尺度配准方法,该方法采用多尺度配准策略。提出的方法提取图像多个尺度上的特征图,在每个尺度的特征图上预测出配准域,并结合空间变换模块对浮动图像进行拉伸得到配准后图像,之后将所有尺度上的配准后图像与目标图像之间的差异值加权和作为损失值训练网络,实现配准域、配准后图像由粗到细的逐步精细化。方法在心脏MRI数据集上进行了分析和评估,实验结果证明,提出的多尺度配准策略增强了无监督图像配准网络的学习效果,提升了配准效果。（2）设计了一种基于特征代表物匹配体的医学图像配准方法。首先,在提出的多尺度配准方法的基础上设计了匹配体结构,匹配体存储两幅图像上的相应点进行关联的匹配代价,通过构造匹配体从而提取关于位移信息更有区别度的判别性特征;其次,采用可分离四维卷积处理匹配体,充分利用匹配体中包含的位移信息,以提升配准效果。最后,提出的方法在心脏MRI组合数据集上进行了评估,实验结果证明,基于匹配体的多尺度无监督图像配准网络能够学习到图像间相应解剖结构的位移差异,实现高精度、高可靠性的图像配准。