近年来,前列腺癌的发病率一直呈增长趋势。目前,前列癌诊断和治疗的主流方法仍然是医学影像引导下的介入诊疗法。超声(US)及磁共振成像(MRI)作为前列腺介入疗法中最常用的两种医学成像方式各具优缺点,国内外研究者们提出将术前MRI图像与术中US图像相结合的导航方法。本文针对前列腺MRI图像及US图像的分割、配准、融合等关键技术及结合电磁定位设备共同引导机器人完成手术的方法进行研究并探讨。首先,对前列腺介入治疗系统进行需求分析,确定系统的基本构成及工作流程;对目前主流医学图像处理平台进行对比研究,从对外部系统的支持程度、开放性、可扩展性等角度选择3D Slicer作为本系统的医学图像处理平台,以此为基础进行模块扩展形成系统的导航软件;设计了一种适合前列腺介入治疗的PRR构型机器人本体结构及相应的机器人控制系统。其次,将US图像和MRI图像中的前列腺轮廓提取出来,为图像配准做准备。针对前列腺MRI图像缺乏可靠区域均匀性和纹理、在端部切片中缺少边界段等问题,提出了一种基于自适应先验形状模型的分割方法,该方法能根据自适应先验模型获得准确、可靠的前列腺MRI图像轮廓。针对前列腺US图像本身的信噪比较低,斑点噪声干扰大;图像灰度分布不均匀性严重;部分前列腺边缘会比较模糊等特点,提出了一种运用深度学习卷积神经网络对US图像分割的方法。该方法的优点是只需要少量的训练样本就可以获得更优越的特征提取性能。再次,US及MRI图像融合导航的关键步骤之一是将US图像和MRI图像在空间上实现配准。针对术前MRI图像和术中US图像中目标前列腺有较大形变的问题,提出了一种改进的Active Demons非刚性图像配准方法。该方法的平均误差和均方根误差均优于一般的Active Demons方法,能够满足前列腺介入手术对精度的更高要求。为了验证该方法的有效性,利用6例患者的前列腺图像数据对本文提出的方法进行了评估。最后,在前面章节所提出方法及结果的基础上进一步设计了一系列解决系统多传感器融合问题的方案及策略。为确定前列腺病灶区域,利用不同模态图像的互补信息增强图像从而达到图像融合增强的目的,将金字塔分解方法与直接融合法相结合,采用Laplace金字塔与像素加权法对MRI及US数据进行融合。为实现手术器械的位姿数据和图像数据的融合,通过改进的N线模型法对超声探头进行了标定,进而实现超声系统和电磁定位系统的结合;通过对手术针定位误差的研究提出了一种基于伯恩斯坦多项式的误差补偿方法;在建立了手术针与US图像的配准模型基础上,引入了虚拟进针路径的概念。为验证系统的有效性和可行性,本文分别进行了MRI及US图像数据的融合实验、超声设备与导航系统的结合性实验及融合图像引导前列腺介入机器人穿刺实验。