阿尔茨海默病（Alzheimer Disease,AD）以及注意力缺陷障碍症（Attention Deficit Hyperactivity Disorder,ADHD）等神经性疾病深深的影响着每一位患者的健康,该类神经性疾病起病比较迟缓,不容易被诊断出来,如果能够在早期及时的发现,则能够在很大程度上降低该类疾病晚期的发病率。人脑磁共振（Magnetic Resonance,MR）图像中的解剖结构有着明确的病理意义,对发现以及治疗该类神经性疾病有着重要的作用,同时,人脑MR图像的配准是诊断神经性疾病的关键环节。因此,研究人脑MR图像配准有着非常重要的医学意义。随着深度学习在计算机视觉领域的不断发展,基于深度学习的人脑MR图像配准方法已经取得了诸多令人印象深刻的成果,尤其是一次性生成预测变换参数的方法能够进行超快的配准。同时,在一次性生成预测变换参数的方法中普遍使用的可变形配准网络模型是编解码结构的变体,如U-net。然而,这些模型在可变形配准的过程中具有一定的局限性,基于此类模型的配准方法的配准精度有待提高。基于此,本文基于U-net编解码结构进行改进创新,提出以下三种基于深度学习的医学图像配准方法:（1）本文提出一种基于嵌套密集连接U-net的无监督三维医学图像配准方法,该方法在训练的过程中不需要真实变形场等监督信息,可以一次性预测整个变形场也就是位移向量场。所提出的模型基于嵌套密集连接的U-net使用间隙填充来逐渐丰富跳过连接的特征,使级联的特征映射相似,从而使配准网络更容易优化。同时,嵌套密集连接U-net底部的空洞卷积可以增大模型的感受野,从而增加位移矢量在每个方向上的最大偏移量,对预测变形场产生积极的影响。（2）本文提出一种基于多尺度跳过连接、选择核注意力机制与深度监督V-net（简称MSD-Vnet）的三维医学图像配准方法。具体来说,提出的MSD-Vnet方法使用多尺度跳过连接来提高网络对于解剖结构位置信息的定位能力和边界的感知能力,使编码器端的每一层级联全尺度的特征映射,通过选择核注意力机制3D SK-Net根据医学图像的多尺度特征自适应的对感受野范围进行调整,指导网络如何选择以及如何分配各个不同大小的核的表征,从而提高配准精度。同时,深度监督可以帮助网络更好的学习,防止梯度消失等问题的出现。（3）本文提出一种基于V-net的V形多路径网络（简称VV-net）用于三维医学图像配准,该配准模型可以通过堆叠V-net进行端到端的训练。具体地说,移动图像经过两个V-Net依次进行扭曲,使用额外的V-Net为前两个V-Net提供补充信息,共同构成V形网络,使移动图像与固定图像更好的对齐。同时,对提出的模型增加深度监督辅助分支防止过拟合。采用上述渐进配准与信息补充提高配准对之间的配准精度。将上述提出的前两种医学图像配准方法在公共的人脑MR图像数据集ADNI上进行了评估,提出的第三种方法则在由四个数据集ADNI数据集、ABIDE数据集、ADHD-200数据集、OASIS数据集构成的大规模数据集上进行了验证,度量指标均为戴斯相似性系数（Dice Similarity Coefficient,DSC）。实验结果表明,与目前流行的方法相比,所提出的方法都达到了较满意的结果。