医学图像配准通过构建两幅或多幅医学图像之间的最优空间变换实现解剖结构的空间一致,是医学图像融合与分析的前提。医学图像配准在肿瘤检测、病灶定位、手术导航等精准医疗方面具有重要的临床意义。随着现代医学对医学图像质量和规模的要求不断提高,医学图像的发展呈现出更加复杂多样的趋势,使得传统的配准方法难以满足当今临床医学对快速、精准和鲁棒性的需求。计算机技术的高速发展使得基于深度学习技术的医学图像处理成为主流。虽然基于深度学习的配准方法在速度、精度以及鲁棒性上有了很大程度的提升,但是在存在复杂形变的非刚性配准中仍然存在一些问题和难点。基于深度学习的配准分为有监督方法和无监督方法,其中有监督方法需要大量的标签形变场,而标签形变场过度依赖人工,标签质量参差不齐。因此,本文基于生成对抗网络构建了一类无监督的非刚性配准方法,利用深度回归网络直接生成配准图像,并在多个数据集上验证了所提方法的可行性和泛化能力,实现了精准快速的端到端配准。具体内容如下:（1）融合传统迭代配准和深度学习技术,构建了预配准模型。利用仿射变换和B样条函数对待配准图像对进行预配准,一定程度上减少了原始数据中刚性和部分非刚性形变对配准结果的影响,提升了整个配准模型形变配准能力。预配准的加入降低了后期网络学习的负担,在不损失配准精度的同时,加快了网络学习的速度。通过非刚性配准实验,证明了预配准模型的可行性。（2）在基于Unet架构的配准网络中嵌入了可变形卷积,在每次卷积模块的末尾即每次下采样之前添加可变形卷积,并跳跃连接至上采样阶段,对不同尺度形变特征进行编码,提高了网络对形变特征的提取能力,实现了形变场到配准图像之间复杂的非线性映射。在多个数据集上进行了配准,证明了所提方法的可行性。（3）针对全局形变和局部形变提出了双通道配准网络,综合了全局形变以及局部形变,在全局配准中采用Unet架构的配准网络,在局部配准中采用密集连接网络,实现了不同尺寸的形变编码,提高了形变配准能力。在LPBA40数据集上进行了大量实验,对比了迄今比较优秀的四种配准方法,验证了双通道配准方法的配准性能,并在IBSR数据集上验证了双通道配准方法的泛化能力。