对同一病人进行多种模式或同一模式的多次成像,将所得图像进行配准,可以得到更全面的信息,提高医学诊断和治疗的水平。配准问题实质是配准函数优化问题,本文的主要任务是寻找精确性和收敛性都较好的优化算法。本文首先概述配准的意义和分类,比较各种方法的优劣,选取基于像素的配准方法。详述了其三个组成部分:搜索空间、相似性测度、优化算法。选取归一化互信息为相似性测度。对常用的优化算法进行分类分析:局部寻优算法容易陷入局部极值;全局寻优算法计算复杂、收敛速度慢。为了克服这些问题,又因为粒子群(Particle Swarm Optimization, PSO)算法在其他领域应用有着良好的效果,本文对之在配准领域的应用进行了研究。本文分析了PSO优化算法的基本原理,指出其具有结构简单、运行速度快的特点,但存在早熟收敛和后期振荡现象。讨论了PSO的三类改进算法,重点研究基于惯性权重的改进算法,通过配准实验依次分析固定惯性权重、线性递减惯性权重、非线性递减惯性权重PSO算法的改进效果和仍然存在的不足之处,以及这几种算法在本文的配准应用中取得的效果,继而本文提出将惯性权重动态调整PSO优化算法应用于配准。接着本文探讨了惯性权重动态调整PSO优化算法中引入的两个因子、惯性权重计算方法、算法流程。然后进行配准实验,在最优取值空间内寻找适合医学图像配准的因子权重最佳取值组合。继而根据实际应用的要求,对粒子群初始位置采用均匀赋值,避免随机产生的初始位置集中在某小块区域而使寻优陷入局部极值。并加入进化速度因子作为搜索中止条件,加快了收敛速度。最后编程实现改进后的惯性权重动态调整的粒子群优化算法,进行配准实验,与前面几种基于惯性权重的改进PSO优化算法比较,结果表明,该算法既能找到全局最优又能快速收敛。