近年来肺癌成为发病率最高的癌症之一,严重威胁人们健康。近距离放疗手术通过将放疗粒子精确植入病灶靶点,达到杀死癌细胞的作用,是治疗肺癌的重要方法。穿刺手术机器人能够借助精准定位和稳定把持的优势提高近距离放疗手术的效率,但无法精准定位病灶靶点是制约其发展的一个重要因素。主要难点在于肺部会因呼吸运动产生较大形变。非刚性配准技术是解决这一问题的主要手段。随着深度学习在非刚性配准领域的应用,克服了传统方法效率低、鲁棒性差等问题,成为当前非刚性配准的主流算法。然而,在肺部CT图像配准中,基于深度学习的方法仍然存在向量场容易出现折叠、无法很好应对大尺度形变等问题。本文以提高近距离放疗手术机器人导航精度为总体目标,以提高肺部CT图像配准的精度和效率为具体研究目标,围绕基于无监督学习的肺部CT图像配准算法开展了一系列研究。主要研究内容及创新点如下:（1）设计并实现了基于端到端无监督深度学习的全卷积网络配准算法。考虑到临床实际应用中难以提供训练所需的监督数据,设计了无监督网络模型,并通过对比两种不同网络,探索了不同网络结构对配准精度和效率的影响。实验结果表明,所设计的无监督学习配准模型可配准任意两个相位的肺部CT图像,无需重新训练或调整网络参数,相比传统方法效率高、鲁棒性好。（2）设计并实现了一种基于多尺度特征融合的肺部CT图像配准算法。针对肺部随呼吸运动形变较大这一特点,通过从不同尺度的感受野中提取形变特征,在保证局部细节配准不失真的前提下,实现了对大尺度形变的配准。此外,网络以最小化图像之间的相似性测度为训练目标,针对配准后形变场出现折叠的情况,增加了一个抗折叠的正则项,在保证精度的同时,抑制形变场中不满足解剖学意义的形变。针对网络随深度增加而出现的退化和梯度消失问题,引入残差单元来改善网络性能。（3）搭建实验平台,验证了所提出的肺部CT配准算法对穿刺手术机器人系统性能提升的影响。本文依据研究课题,在原有的穿刺手术机器人系统实验平台基础上,通过配准算法预测目标靶点的运动轨迹,从而为原有系统增加了呼吸运动跟随功能。在此基础上,结合临床手术实际应用场景设计模拟手术实验,验证了本文配准算法对穿刺手术机器人系统整体性能提升的影响。