近年来,得益于我国现代科学信息处理技术不断地发展和进步,医学图像处理已经成为了我国现代科学技术研究中的重要课题。其中医学图像配准技术是医学图像处理技术的一项重要核心工程,它是完成图像分析、临床诊断以及临床治疗工作的关键步骤,在医学图像处理研究中占有举足轻重的地位。医学图像配准的研究具有理论和现实意义。本文通过文献研究法对国内外与医学图像配准密切相关的研究成果进行了梳理,进而阐述了医学图像配准的基本原理、分类和应用中涉及到的理论知识,详细论述了现代医学中图像配准4个步骤:图像插值、空间变换、相似性测度的计算以及寻优策略。通过归纳和总结可以得出:基于信息强度的医学图像配准方法是目前主流方法。该类方法的基本原理是设计衡量配准图像之间信息强度的测度函数,寻找一种收敛快速、不容易陷入局部极值以及鲁棒性优秀的寻优策略。其次本文介绍了改进型差分进化算法—伯恩斯坦搜索差分进化算法（BSA）,此算法结构简单,运行速度良好,但此算法在医学图像配准中存在迭代后期不容易找到峰值、初始迭代收敛速度过慢等缺点。基于此,本文改进了伯恩斯坦差分进化算法,且借鉴了反向传播思想,提出了新的差分进化算法——泊松搜索差分进化算法（PSA）以及正态搜索差分进化算法（NSA）。相对于BSA算法,这两种算法尤其是NSA在医学图像配准领域有更好的表现,能够兼顾搜索的宽度与广度,且容易找到全局最优解,寻优过程更加稳定、高效。最后本文采用实验研究法,设计了初始化、图像预加载、算法启动以及实验结果存储4个模块的MATLAB实验,实验以单模肺部“COVIDxCT”与多模脑部CT、MR图像“RIRE”为数据集,以CCRE为信息强度的相似性测度,以BSA、PSA、NSA、DE和PSO为寻优策略,其中PSO、DE为行业标杆算法。实验结果表明,改进差分进化算法NSA与PSA在进行医学图像配准时,相较于BSA、DE和PSO而言,收敛速度更快,配准精度更高,鲁棒性也更强,整体提升了医学图像配准优化算法性能。本文的主要研究工作:（1）将BSA作为寻优策略应用于医学图像配准;分析了BSA在医学图像配准中的表现,总结了BSA的优点与不足;（2）基于信息强度的医学图像配准的特点,借鉴反向传播思想,针对BSA的不足进行了修改,提出了PSA以及NSA。（3）进行了PSA与NSA的单/多模态医学图像配准实验,并与行业标杆PSO、DE进行对比;比较结果为,PSA与NSA不仅可克服陷入局部最优,而且可提高配准的精度,同时使种群的利用率提升,加快寻找最值的收敛速度。