生物医学图像配准（Bio-medical Image Registration,BIR）在医学成像、生物医学基础研究及临床辅助诊疗中发挥重要作用。3D生物医学图像配准旨在建立3D图像对之间体素级别的非线性映射关系。传统基于特征优化的BIR算法取得较大进展且配准精度高,但是其针对特定图像对的迭代优化过程十分耗时无法满足临床实时应用的要求。近年来,深度学习（Deep Learning,DL）技术飞速发展,深度学习图像配准算法（DL Image Registration,DLIR）成为配准领域研究主流。DLIR算法核心优势在于执行速度快,但也面临一些挑战:首先,现有DLIR算法在训练过程中只挖掘待配准图像对之间的特征,是一种one-shot训练风格,在学习复杂形变上能力不足,这样做就导致精度难以超越传统迭代算法。级联网络能在一定程度上处理复杂形变问题,但需要大显存GPU支持且训练时间较长。其次,主流DLIR算法网络沿用U-Net架构,其编码层较浅导致感受野较小难以获得足够的语义信息（Semantic Information）;而加深网络层数会导致模型参数量增加,这显然不适合大尺寸3D生物医学图像处理任务。针对以上挑战,本文做了如下工作:（1）针对one-shot训练学习不充分的问题,本文提出迭代自监督3D生物医学图像可变形配准网络（Iterative Self-supervised Deep Network for 3D Bio-medical Deformable Image Registration,ISSNet）。该方法搭建了传统图像配准算法和DLIR之间的桥梁,具体来说如下:ISSNet利用上一次迭代产生的Error Map来监督当前迭代的训练和预测,从而实现自监督训练和迭代预测。为了达到这一目的,设计了一个反馈分支来反向传播监督信息。并在此基础上,提出了一种平滑损失变换策略（Smoothness Loss Transformation Strategy,SLTS）在迭代训练过程中动态改变平滑损失函数的权重,以获得更精确的配准模型。本文提出的ISSNet最终在两个公开人脑磁共振（Magnetic Resonance,MR）图像数据集（LPBA40和IBSR18）以及私有鼠脑MR数据集上验证其优越性。多个数据集的实验结果表明ISSNet精度表现优于baseline方法。（2）针对配准骨干网络编码层较浅的问题,本文提出无监督自校正3D生物医学图像配准网络（Unsupervised Self-Calibrated 3D Bio-medical Image Registration Network,SCReg Net）。SC-Reg Net将2D图像检测任务中表现优异的自校正卷积（Self-Calibrated Convolution,SC Conv）模块扩展到3D领域,并应用于3D配准网络的编码阶段以替换普通卷积。3D SC Conv相较于普通卷积具有更大的感受野（Reception Field,RF）,因此能使配准网络在编码层深度不变的情况下获得更多的语义信息;同时该模块的参数量相较于普通卷积并未增多。同样,本文在上述两个公开数据集和一个私有数据集上验证SCReg Net的性能,结果表明:SC-Reg Net在不提高骨干网络计算复杂度和模型参数量情况下提升了配准精度,表明了该算法的优越性。