眼底图像配准是将不同视场、不同时间以及不同模态的眼底图像所表达的信息进行互补并综合起来,从而提高眼科疾病诊断的准确率。然而,成像过程受到光照、屈光介质浑浊、操作者经验等因素的影响,所获取的眼底图像存在光照不均、对比度低、噪声大等问题;另外,不同模态的眼底图像结构差异大、不同视场的眼底图像之间存在几何畸变,部分图像之间重叠区域较少,这些都给眼底图像配准带来极大的挑战。为了解决这些问题,本文从眼底图像中最稳定、显著的血管结构着手,结合深度学习在图像特征提取以及匹配对筛选中的优势,研究了基于血管图像的多模态眼底图像配准方法,从而达到高成功率、高精度、高效率的眼底图像配准。为了获取完整、清晰的血管图像,本文首先对眼底图像进行了亮度与对比度的提升以及降噪预处理,进一步采用改进的DNNs（Deep Neural Networks）血管分割网络进行血管分割。在此基础上,论文主要进行了以下研究工作:（1）提出了一种基于血管图像的D2net-Reject配准方法,该方法在特征提取和特征匹配两个方面进行了改进。采用了基于深度学习的D2-net特征提取方法,在提取低维特征信息的同时提取高维特征信息,以解决传统SURF方法所提取有用特征点不足的问题;提出了一种平均距离匹配对粗筛选算法,对比Lowe’s距离匹配对粗筛选算法,该方法可以根据输入图像对本身的特点从而产生最佳的匹配对筛选阈值,提高了匹配对粗筛选的准确率;进一步,采用了一种匹配对细筛选网络,对比抽样一致性算法（Random Sample Consensus,RANSAC）,该方法可以增加正确匹配点对的数量,并提高筛选匹配点对的准确率。（2）在上述工作的基础上,提出了一种基于血管图像的D2net-Flow配准方法。该方法利用参数配准方法（D2net-Reject配准方法）和非参数配准方法（光流估计网络）的互补性,在参数配准方法配准的结果上使用非参数配准方法进行精细配准,以提高较差质量数据集的配准精度。将提出的配准方法应用于多模态眼底图像私有数据集、多模态眼底图像公知数据集、单模态眼底图像公知数据集以及眼底图像拼接公知数据集,并与传统方法以及当前主流的配准方法进行对比。实验结果表明,基于血管图像的D2net-Reject配准方法和D2net-Flow配准方法在多模态眼底图像公知数据集以及单模态眼底图像公知数据集中均保证了100%的配准成功率,配准精度比对比方法中的最高精度分别提高了2.11%和11.16%;在多模态眼底图像私有数据集上,两种方法的配准成功率均达到了93.46%,配准精度分别提升了2.75%和50.71%,D2net-Flow配准精度有了显著提升;另外,在眼底图像拼接公知数据集上的配准成功率均高达96.4%。研究结果表明,所提出的配准方法不仅适用于单模态和多模态眼底图像配准,也适用于眼底图像拼接,能够有效提升配准成功率与配准精度。另外,在其他图像配准领域也有着广阔的应用前景。