肺部CT图像配准是非刚性医学图像配准中重要的研究课题,通过配准高分辨率的不同呼吸相位的CT图像,可以掌握患者肺部组织随呼吸运动的变化规律。这对肺实质的运动预测、肺内肿瘤的追踪放疗以及肺慢性阻塞性通气障碍的临床诊断等有着重要的意义。近年来,为了满足临床应用对配准高精度的要求,深度学习逐渐被应用于在某些刚性或非刚性的医学图像配准中,因此将其应用到肺部CT图像配准是必然的发展趋势。本文基于深度学习方法,探索适用于肺部CT配准的具体网络模型。模型以无标记的3维图像对为输入,利用深度卷积神经网络实现直接估计并转换参数的功能,得到预测的位移场,利用空间变换和位移场把浮动图像进行空间扭曲,以扭曲图像与固定图像的相似性和对位移场的约束为目标函数,获取最优参数。配准过程是无监督的。本文设计了两个不同深度的网络模型,并在两个网络下探究不同优化方式和不同卷积核大小的配准效果。研究利用公开数据集和自身获取的数据集进行验证,实验证明利用Adam优化器、采用的层次更深,获取位移场时卷积核更小的设计,有更高的准确率以及更强的鲁棒性。实测表明本文的两个不同设计的运行时间较传统的基于迭代的方式要快几十甚至上百倍。此外,配准算法的效果评估作为配准技术的另一发展方向,一直没有统一的金标准。所以,本文提出一个综合的评估框架,包含直观视觉、图像质量、肺部形状、整体位移场与点对点的位移、配准耗时,共6个部分,实现算法的多角度比较。研究中选取6种应用广泛的配准算法,使用公开的肺部CT图像数据集,验证评估框架的综合评估能力。结果表明提出的评估流程可以有效的对不同的算法在肺部CT的配准效果进行测度。