随着可视化技术的逐步发展,医生将医学图像作为病人疾病诊断的重要直观依据,并通过越来越丰富清晰的图像信息来确诊病人的病情以及确定相应的治疗方案。医学图像配准是医学图像融合技术的核心之一,在现代医学的临床诊断、治疗以及术前规划中发挥着至关重要的作用。因此医学图像的配准和融合是当前的研究热点,也是研究的难点之一。磁共振(Magnetic Resonance,MR)图像具有较高的软组织分辨力,在成像过程中具有多参数采集、任意方向成像等优点,近年来在临床上的应用越来越广泛和深入。本文针对Demons算法无法完成多模态医学图像配准的问题,研究了基于互信息的医学图像配准和基于Demons的医学图像配准算法,通过分析它们的原理和优缺点提出了一种基于联合结构信息和局部熵的Demons算法,从而实现了Demons算法对多模态医学图像精确配准,并在多分辨率框架下使用多层次B样条对算法进行了改进,进一步提高了算法的精度,通过对比实验分析证明了本文所提算法的优越性和可行性。主要工作如下:首先,研究了医学图像配准的研究背景和意义、发展现状、基本概念以及当前存在的问题;分析了基于互信息的医学图像配准的相关理论和原理,并对鲍威尔算法(POWELL)、粒子群算法(Particle Swarm Optimization,PSO)以及二者的混合算优化法做出了重点分析。最后对配准质量的评价标准做出了阐述,通过MR脑部图像的仿真实验对POWELL算法、PSO算法和二者的混合优化算法做了对比分析。其次,对基于光流模型中最著名的Demons算法的思想起源、基本原理和算法的流程做了详细分析。利用B样条的局部配准特性对经过Demons算法配准得到的图像进行进一步的配准,提高了配准的精度。利用MR脑部图像的仿真实验对几种算法进行了对比,证明了Demons算法不适用于多模态的医学图像配准。最后,由于多模态图像的特征存在明显的差异,为了消除这种差异,本文提出了一种融合图像的结构张量迹值和局部熵两种描述信息的图像描述法,灰度信息和结构信息共同决定着融合后的图像;然后通过Demons算法对得到的融合的几何结构图像进行配准,从而解决Demons算法对多模态图像的配准问题。通过分析使用高斯滤波进行正则化的不足,提出了在多分辨率框架下使用多层次B样条对配准的变形场进行正则化处理的改进方法,MR脑部图像的仿真对比实验证明了本文所提算法的优越性及可行性。