近年来,随着医疗设备的不断发展,医学图像处理技术也在不断提高。医学图像配准是处理医学图像信息的关键技术。传统的图像配准方法由于计算量大的缺点,难以完成高精度的医学图像配准任务。随着深度学习的日益成熟,基于深度学习的医学图像配准成为了现在的研究热点,与传统的配准方法相比,基于深度学习的配准方法在速度和精度上有了很大的提高。但基于深度学习的方法在配准过程中会损失一些重要的特征信息,例如关键的细节位置等,这对临床研究的实际意义会产生影响。针对现有配准方法存在的问题,受深度学习在加强特征信息提取方面的启发,本文研究了基于深度学习的医学图像配准方法,目的是能进一步获取更多医学图像的重要特征,以达到更好的配准准确率和配准效率。本文所做工作如下:1、提出基于通道和空间双重权重的无监督图像配准方法。卷积神经网络（Convolution neural networks,CNNs）具有丰富的表征能力,可以显著提高视觉任务的性能。然而,卷积过程会导致图像或特征图细节信息的丢失,不利于图像配准结果的精细化。因此,本文提出的方法在卷积过程中对通道和空间进行加权,这是对卷积结构的改进。该方法从输入特征映射中沿着通道和空间两个独立的维度依次输出加权后的特征映射,然后将输入特征映射与权重相乘,进行自适应特征细化。通过对通道和空间进行加权,本文提出的图像配准模型的性能得到了稳定的提高,并且只增加了少量的计算量。2、提出基于医学图像结构注意力的无监督配准模型。针对医学图像特殊的三维结构,本文提出的空间结构注意力可以聚合医学图像的空间信息,可以避免卷积过程中重要结构信息的丢失,更有利于保留输入图像的内容信息。此外,我们在网络中使用可学习的激活函数来改进实验结果,而无需添加更多参数。通过实验,本文将上述两种方法在公开的三种人脑MR图像数据集LPBA40,BME和ADNI上进行了无监督的训练和测试,实验结果表明,无论是采用基于双重权重的配准方法,还是采用基于结构注意力的方法,都能提高配准后的Dice系数的平均值,且基于图像结构注意力的配准方法提升的配准精度更高。实验证明,本文设计的配准方法在配准精度上与其他方法相比表现得更加精确。