医学图像配准是医学图像处理领域的关键技术,被广泛应用于病理跟踪、组织结构差异分析、手术导航等。虽然传统基于迭代优化的配准方法已日趋成熟,但存在配准时间长且容易陷入局部最优的问题,无法满足临床的实时性和准确性要求。随着深度学习技术在计算机视觉领域的广泛应用,利用深度学习技术研究医学图像配准已成为当前的研究热点。然而,目前大多数基于深度学习的配准模型主要关注非线性配准,而针对端到端的,即同时涵盖线性和非线性变换的研究仍鲜见报道。此外,现有的深度学习配准模型均是针对低维图像,针对四维磁共振扩散张量图像等高维度图像的配准方法仍鲜有报道。在此背景下,本文重点研究端到端的多维图像深度学习配准算法,具体如下:（1）提出一种端到端的无监督配准网络模型,可实现三维人脑磁共振图像的快速准确配准。模型主要由两个模块组成:线性变换参数预测模块与非线性变换参数预测模块。通过与前沿的配准网络模型对比,实验结果表明,即使现有模型在以线性对齐图像作为输入的前提下,其配准效果仍然比本文模型以原始待配准图像作为输入的配准结果差,证实了本文端到端图像配准模型的优越性。（2）将端到端的配准网络模型扩展并应用到了扩散张量图像配准中,实现了端到端高维图像的精确配准。基于微分同胚的配准思想,将原有的位移矢量场预测模型替换为速度场预测模型,并融入了速度场积分模块,以提高配准的准确度。此外,针对扩散张量图像配准的需求,在网络模型中,设计张量重定向模块,以保证纤维方向的准确配准。实验结果表明,本文方法的配准结果与现有最好方法几乎一致,且配准实时性和稳定性较高。