前列腺癌一直以来都是危害男性健康的一大隐患,随着医学技术的进步,前列腺癌的检出率进一步提高。目前临床上诊断前列腺癌最好的方法是利用多参数的磁共振（MR）成像技术,能够清晰的对前列腺区域进行观察,判断是否存在病灶以及病灶的位置和大小。将患者术前不同时期得到的MR图像进行融合,可以进一步分析病灶的变化情况,有助于医生判断前列腺癌是否转移或病变。前列腺MR图像的融合过程也叫配准过程,配准的程度越高将越有助于医生对于病灶的判断。医学图像配准是医学图像处理领域的热点和难点问题,具有重要的临床应用价值。图像配准可以融合单模态或多模态医学的图像以便医生从不同角度观察病灶和结构,可以配准不同时刻采集的图像并对病灶和器官的变化情况进行定量分析,还可以在手术计划中精确定位病灶位置使得手术计划准确可靠。传统的医学图像配准方法配准的速度较慢,已无法满足临床上的需求。近年来深度学习方法飞速发展,在医学图像配准中也取得了令人惊喜的结果。本文针对前列腺癌目前的诊断现状提出了基于无监督深度学习的前列腺MR图像配准方法,旨在将患者在不同时刻采集到的MR图像进行融合,从而分析病灶术前和术后的变化,更好地为医生提供接下来的治疗手段和定制相应的康复疗程。本文针对深度学习训练中医学图像数据量少的问题,使用了仿射变换的方法对前列腺MR图像进行了数据扩增,使得网络能够学习到更好的模型。其次还利用仿射变换的方法对图像进行了预配准,对浮动图像到固定图像的空间位置进行位移变换,使浮动图像更加接近于固定图像,得到一个粗配准的图像,得到的粗配准图像输入后续的神经网络中将可以提高配准的效率。为提高配准精度,本文提出了三输入的无监督医学图像配准框架TU-net（Triple-input-Unsupervised Neural Network）。配准框架中含有两个卷积神经网络（CNN）,CNN结构是在U-net的基础上改进而来,网络输入为一张固定图像和两张浮动图像,固定图像分别与两张浮动图像组成一个图像对输入到CNN中,每个CNN网络预测一个位移形变场,通过对两个形变场的约束优化得到最佳形变场,得到最佳配准图像。三输入的网络框架可以使网络学习到更多的图像特征,提高网络的学习能力;针对配准网络中对形变场约束不足的问题,添加了形变强化损失函数,该损失函数可以更好的对形变场进行约束,使变换后的浮动图像更加接近于固定图像,提高配准精度。