病理检查被称为肿瘤诊断的“金标准”,传统的病理检查中,医生将切片染色后放置在显微镜下进行观察,进而判断肿瘤的良恶性并对癌症进行分级。病理医生常利用不同的染色方法（多模态）进行染色,突出显示组织切片中不同结构,通过观察多个切片获取更全面的诊断信息。由于医生需要同时观察多个切片,如何快速定位感兴趣的区域（例如可疑癌区）,并在不同染色切片中精准的找到空间位置一一对应的可疑区域,是决定病理医生诊断的效率的关键。随着数字病理切片扫描仪的发明,病理图像实现数字化,使用图像配准技术可以快速精准观察多切片。病理图像的大小常在10k*10k像素以上,且大部分为背景以及其他没有临床指导意义的区域,若利用传统的配准方法,这些区域会对癌症区域的配准精度造成极大的影响。为此,本文研究了一种提升病理医生关注区域（ROI区域）的配准精度的多模态数字病理图像配准算法:通过深度学习构造分割模型,提取图像中相应的癌区,增加这部分区域在配准中的权重,结合B样条非刚性配准方法,提升癌症区域的配准精度。针对数字病理图像ROI区域提取问题,主要利用医学图像常用的深度学习模型U-net进行ROI区域分割。为提升模型性能,在数据预处理阶段,加入多种数据增强手段（包括旋转、翻转等）加速模型收敛。在病理图像数据集上验证了模型的性能,并与常用的分割模型如FCN8s、Seg Net、Psp Net及Deep Lab V3+进行比较,结果表明Unet模型具有较高的分割精度。针对部分待配准的多模态数字病理图像对之间存在着较大的平移量与旋转量的问题,设计了一种多步配准算法。通过对齐降采样后的图像对的灰度质心获得初始的平移及旋转变换参数,再使用仿射变换进行优化完成初始配准步骤。在初始配准的基础上,使用B样条模型进行优化。在ANHIR公开数据集上验证了算法的性能,结果表明所使用的算法相较初始配准有了显著的提升。为进一步提升ROI区域配准精度,提出一种结合深度学习与传统配准算法的区域注意力配准算法框架。通过增加癌症区域在配准过程中的权重提升该部分的配准精度。同时,为提升癌区的分割精度,在模型中引入注意力机制,抑制负样本对训练过程的影响。使用一种联合分割区域的相似性度量函数用于提升ROI区域的权重。在ANHIR数据集的结果验证了算法的可行性,相比不提升权重的配准方法,区域注意力配准算法在ROI区域的配准精度得到有效提升。