小动物影像在临床前研究中具有重要的意义,尤其在药品试制和疾病研究中扮演着重要角色。小鼠是小动物影像研究中最常见的动物模型,而Micro-CT则是最为常用的成像模态,因此,对于小鼠Micro-CT图像的自动化分析显得尤为重要。基于图谱配准的方法能够利用数字图谱的先验信息对抗小鼠身体姿态以及身长体重的变化,同时缓解低对比度和高噪声的影响,在小鼠影像分析中发挥着重要的作用。本课题致力于改进传统的图谱构建及配准方案,并与深度学习方法进行融合,在保证泛化能力的基础上,进一步提升其精度。论文的具体工作内容分为以下三部分。（1）具有形状与灰度信息的小鼠躯干数字图谱构建。针对低对比度micro-CT图像中小鼠内脏器官难以准确分割建模的问题,提出了基于体素网格表示的图谱构建方法,实现了对低对比度micro-CT中小鼠躯干部分的形状建模。同时,将小鼠Micro-CT图像中的灰度特征纳入了统计建模的范围,使得数字图谱能够进行灰度上的变化。本方法构建得到的数字图谱在形状与灰度上的调整能够相互结合却又彼此独立,且完全由参数调控。因此,数字图谱能够通过参数调整模拟不同身体姿态、体重和灰度特征的Micro-CT图像。（2）基于形状与灰度参数拟合的躯干图谱配准算法。本方法充分利用了数字图谱的形状先验与灰度知识,使得图谱能够在模型空间中准确地描述目标个体的身体姿态、体重和灰度特征。同时,将图像区域的变形场直接与图谱的形状模型进行耦合,使得低对比度器官区域也能参与参数拟合。实验结果表明,本方法能够适用于不同类型的小鼠Micro-CT图像,其配准精度相比于现有方法也取得了明显的提升。（3）基于解剖特征点自动检测的全身图谱配准算法。本方法将基于深度学习的解剖特征点检测与图谱配准算法相结合,同时检测骨关节点和内脏器官特征点,引导图谱同时匹配身体姿态和内脏器官的个体差异。体内器官特征点的引入有效缓解了低对比度器官变形对高对比度器官匹配程度的依赖。实验结果表明,本方法能在全身尺度下实现器官区域的准确划分;相比于现有方法,本方法在左肾与脾脏的分割精度上取得了明显的提升。本文在形状灰度联合图谱的构建以及小鼠影像的配准算法上展开了研究。在改进了图谱构建方法、配准方法的同时,还将深度学习技术于图谱配准相结合,取得了明显的分割效果提升。