20世纪后期，医学影像技术的发展为临床医学提供了多种模态医学图像，大致可分为两类——解剖结构图像(CT、MR)和功能图像(PET、SPECT)，为融合不同模态图像信息用于临床诊断提供了可能。融合多种模态医学图像，可获得较全面的病变信息，使临床诊断和治疗、放疗定位和方案设计、外科手术和疗效评估等更加准确完善。医学图像配准是融合多模态图像信息的首要前提，是图像融合的第一步，配准的精度直接影响融合的效果。 医学图像配准是指对研究对象的同种模态或不同模态的图像寻求坐标变换，使图像的对应点达到空间位置和解剖结构上的一致；融合是指将已经配准的不同图像中的有用信息集成到一幅图像中，以提供更多的病变信息，利于医疗诊断。本课题以多模态头部图像为研究对象，对其预处理方法、基于互信息的医学图像配准、感兴趣区域的提取与融合进行了深入而系统的研究，并研究了质心偏差对配准精度速度的影响。 配准方法有多种，其中基于灰度的配准方法直接利用原图像的灰度信息进行配准，不需预处理，因此具有鲁棒性强、自动化程度高的特点，且精度高于基于特征的配准方法，可达到亚像素精度，互信息方法是一种灰度配准方法。本文研究了基于互信息的三维医学图像配准方法，改进了互信息和归一化互信息的公式，减小了互信息计算量；对Powell优化算法的方向替换策略进行矫正，最大限度的保持原搜索方向；采用预设旋转量的方法有效解决了插值赝像局部极值问题；还采用背景阈值策略，减小了互信息的计算区域；应用形态学方法，去除了PET图像的背景伪迹；使用了多分辨率策略，有效地提高了配准的速度。实验表明，本文改进的算法可达到亚像素精度且在速度上有了明显的提高。 对于医学图像，医生关心的区域可能是特殊的功能区域或者病变区域，因此，对这些感兴趣区域进行分割尤为重要。传统的边缘提取算法很难提取出闭合的边缘，且一般不能直接提取ROI的边缘信息，本文使用Snake算法进行感兴趣区域的提取。对传统Snake与GVF Snake的分割效果进行了比较，最终采用传统Snake算法进行感兴趣区域的分割。本文利用感兴趣区域进行图像的融合，将图像的感兴趣区域直接叠加显示到已配准的另一图像上，利于医生观察病变区域。