高分辨率、大容量的医学图像数据为临床诊断提供了有力的辅助工具,同时它也增加了读片医生的工作负担。在此背景下,开展计算机辅助诊断的研究,已经成为了医学图像处理与分析领域的热点和将来发展的主要方向。本文以颅脑CT图像病变自动化检出为研究目标,以颅脑CT图像的配准和分割为研究切入点,对相关技术进行了深入研究,并且取得了一些成果,为实现颅脑病变自动化检出做好前期准备。非刚性配准不仅是病变自动检出的关键技术,也是统计图谱创建的必要步骤。其中Demons算法是一种在准确度评价中很优秀的非刚性配准算法,但它是基于光流场小形变模型的配准算法,在大形变情况下不具有拓扑保持性,将它用于异体颅脑CT图像配准时效果不理想。为此,本研究对它进行了改进。首先建立Demons算法目标能量函数,将形变场求解转化为目标函数优化问题;然后通过增加sKL距离作为正则项来优化目标函数,消除了形变场的不适定性,并使形变场更加光滑。对高分辨率颅脑CT图像的实验结果表明,改进算法不仅能够处理大形变问题,还能在处理大形变时通过光滑的形变场得到精确的配准结果。在上述改进的配准算法基础上,本文通过模仿人工分割过程,提出了一种基于配准的颅脑CT自动分割算法,其目标是将脑灰质、脑白质和脑脊液完整的分割出来。本算法首先采用中值滤波和模糊C-均值聚类对参考图像进行预分割,再利用解剖知识对其进行手动修正,得到先验的分割图谱,以此图谱指导后面的分割工作。分割算法实现过程如下,首先将待分割图像向参考图像配准,然后利用先验图谱对配准结果进行掩模分割,再逆映射此分割结果就得到了原图像的分割结果,实验中又采用聚类分割和数学形态学方法对最后结果进行了完善。实验结果表明,此算法虽然有些局限,但具有可行性。