成像技术的迅速发展，使得人们可以对越来越多的复杂对象和过程成像和仿真，因此对图像分析新方法的需求变得更加重要和紧迫。医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支，发展迅速，在现代医学临床和研究中有着广泛的应用。 本文首先介绍了医学图像配准研究的现状和方法，对各类配准算法及其相关技术进行了综述，并大量分析了各类方法的不同应用实例。本文还归纳了医学图像配准及分析技术在临床上的各种应用及面临的问题。而这些问题亦指出了我们技术发展的方向。 其次，本文利用统计学的知识，详细分析了各种图像的统计模型。这样我们就可以在较为坚实的理论基础上分析配准的本质问题并且提出自己的基于体素的多模态图像配准思路。在模型的基础上，我们分析比较了传统的最大似然准则和基于统计信息理论的互信息准则，指出互信息准则实际上是对最大似然方法的拓展，是一种更为合理的配准原则。为了能够检验这一配准思路，我们根据非参数的Parzen Window模型实现了互信息的配准计算。同时，针对基于体素配准方法计算量大的缺点，采用了多分尺度的优化策略，加速了算法的速度。随后，我们采用美国Vanderbilt大学的多模态的医学图像数据库中的图像数据，对我们的算法进行了测试。根据测试的结果，我们可以认为这一配准方法可以很好的解决多模态图像的配准问题，具有较高的精度和鲁棒性。为了更好地展示配准在临床上的作用，我们开发了一个图像融合显示的原型，清晰的反映了配准前后图像融合的变化。我们可以看到，通过我们的配准方法对图像的调整，不同模态的图像的组合显示能够表达更多、更精确的病例信息，大大提高了诊断的准确性。 最后，本论文提出了今后要解决的问题和发展的方向。指出基于统计学习理论的方法可能为我们的图像配准和分析提供更优秀的解决思路。