近年来,随着医学影像技术的不断进步和发展,各种模态的医学图像应运而生。临床诊断应用中,为了使多种模态的图像信息可以得到综合利用,就需要把不同模态或者不同时刻、不同成像条件的医学图像结合起来。但是,不同模态的图像在空间位置上往往不能保证一致,因此首先要进行图像配准,运用多模态医学图像配准技术来解决这一问题。医学图像配准是指通过寻找某种空间变换,使两幅图像的特征点达到空间位置和解剖结构上的完全一致,要求配准的结果能使两幅图像上所有的解剖点或至少是具有诊断意义以及在手术区域内的点都达到匹配。迭代最近点(Iterative Closest Point,ICP)算法是一种基于特征点集的图像刚性配准算法。在一系列刚性配准算法中,ICP算法能使两幅图像之间的距离快速达到很近的位置,但是这一最近距离值收敛到一定的程度便不再变化。因此,为了提高配准的精度,本文结合了免疫算法来对ICP算法的配准结果精度进行进一步的提高。本文分别运用ICP算法、免疫算法和免疫ICP算法对二维和三维医学图像进行了不同变换程度下的配准实验,并且对三种算法的实验结果进行了对比分析。ICP算法收敛速度快,稳定性也较好,但仅使用ICP算法获得的配准精度到达一定值之后便不再提高。免疫算法的收敛速度比较慢,不适合单独使用。本文采用的免疫ICP算法结合了两种算法的优点,获得了较好的配准效果。实验结果表明,免疫ICP算法在两套二维图像数据源实验中的配准精度比ICP算法提高了11.96%和11.86%,在两套三维图像数据源实验中的配准精度比ICP算法提高了12.51%和10.75%。