随着医学影像技术的发展，临床上能获得各种模态的医学图像。这些医学图像有各自的特点，在临床诊断中，常常需要把不同模态或者不同时刻，不同成像条件的医学图像结合起来。把两幅或者多幅不同的医学图像融合到同一幅图像中，可以结合不同图像的优点，使图像的包含的信息更丰富，有更高的临床诊断价值。但是，来自不同模态和条件的图像在空间位置上往往不能保证一致，不能直接融合图像，首先要进行图像配准。因此，图像配准是图像融合的基础。迭代最近点（Iterative Closest Point, ICP）算法是基于特征点集的算法。该算法通过不断迭代使点集距离最近，此时认为点集空间位置达到了一致，点集的空间变换参数就是图像的空间映射参数。ICP算法能使图像的距离快速达到很近的位置，但是这一最近距离值收敛到一定的程度便不再变化。为了提高配准的精度，本文尝试使用了免疫算法。免疫算法在优化目标函数方面有很重要的应用，可以通过设置参数使配准参数达到理想的精度。缺点是在没有经验值的情况下，收敛速度很慢，用于优化最近距离函数没有现实意义。结合这两种算法的优势，本文选择用ICP算法进行初配准使图像基本配准。在此基础上有了较好的经验值，再使用免疫算法优化最近距离函数，这种方法取得了满意的效果。由实验结果可知，ICP算法具有收敛速度快的优点。对MR和CT图像，T1和T2图像的配准都适用，且对于空间位置差异不大的医学图像稳定性很强。唯一的缺点就是精度到达一定的值不再提高。免疫算法的缺点是收敛速度慢，但是能达到较高的精度。免疫ICP算法将两者结合起来，使运算速度比免疫算法快，计算精度比ICP算法高。