图像配准是医学影像处理中常用的技术,大量应用于医学的各个领域,包括病灶检测,疾病诊断,手术规划,手术导航和疗效评估等。随着多种医学影像技术的蓬勃发展,从反映解剖结构的形态学成像到反映器官组织的功能性成像,不同模态的医学影像从不同的角度承载着丰富的医学诊断信息,将多种模态的图像进行融合处理,能够为临床治疗提供丰富的功能互补信息。而多种模态的图像融合的基础是将这些图像进行配准。因此,多模态医学镜像的配准技术逐渐地成为了研究的重点。然而,传统的多模态医学图像配准方法存在着局限性,限制了其在实际的临床场景中的使用,包括适应性差与配准时间过长的问题。近年来,深度学习在图像处理领域展现出的强大功能使其成为了研究图像问题的主流方法。在医学中,深度学习在器官分割,肿瘤检测等任务上有均有出色表现。考虑以上的现状,本文基于深度学习提出了一种网络模型用于解决多模态医学图像的配准。同时,考虑到直接将多模态图像进行配准的困难度,本文提出了一种生成介质模态的方法来保证多模态图像之间的配准的有效性。本文的主要贡献如下:（1）提出生成介质模态的新方法SCG-TPL。针对有挑战性的下腹部的m Dixon MR序列生成能够模拟CT图像的一种介质模态,即合成CT图像。SCG-TPL是基于补丁学习框架,将知识杠杆迁移模糊c均值聚类（KL-TFCM）作为框架的全局模型以获得初步的分类结果,因为KL-TFCM能合理克服不同样本间的个体差异;将半监督模型Lap-SVM作为框架的局部模型以进行精细分类。结果表明,SCG-TPL仅需少量的人工成本就能带来较低的时间开销,能能够在仅需m Dixon MR序列的情况下针对下腹部产生出质量良好的合成CT图像。（2）针对多模态医学图像配准提出一种基于介质模态的深度网络M-i VM。该网络能对MR和CT图像进行配准。M-i VM是一种改进的微分同胚配准网络模型,该模型分为配准网络模块和空间变换模块。配准网络模块的结构为U-net网络,目的是生成一个配准场。空间变换模块是一个变形的空间变换网络结构,目的是根据配准场对待配准图像进行变换插值后得到最终的配准图像。结果表明,M-i VM不仅能精确地实现多模态图像间的配准,同时能降低配准的时间,提高配准的效率。