图像配准是图像分析、融合和重建的基础，特别在医学影像处理领域，图像配准起着极其重要的作用。精准高效的图像配准能辅助医生进行医学诊断、医学影像存档、治疗计划制定、手术导引以及治疗效果评估等等。相较于发展成熟的刚性配准，非刚性图像配准因为能更真实地反映人体器官和组织的形变，成为医学图像配准的研究热点。非刚性医学图像配准的研究面临许多挑战，以肿瘤切除手术指引为例，伴随肿瘤组织的切除，会发生术中影像与术前影像间的局部对应缺失和“脑漂移”现象引起的大形变问题。针对上述难点，本文对传统的变分光流模型进行了改进，结合尺度不变特征变换（SIFT）特征点提取提出一种新颖的非刚性医学图像配准算法。该算法模型使用亮度守恒与梯度守恒假设相结合的数据项，很好地解决了对医学图像中局部病灶异常、亮度不均匀等区域的处理问题；通过采用自适应的各向异性正则项，解决了传统光流模型中的过平滑所导致的图像严重模糊和重要细节丢失的问题；通过结合SIFT特征点提取，并采用多分辨率分层细化、内部不动点迭代以及由粗到细的变形技术求解策略，很好地解决了传统光流场模型无法对大形变医学图像以及细节进行配准的问题。实验证明：本文的模型和算法可以很好地实现对医学图像的非刚性配准。