随着医学成像技术的不断发展，医学图像所能包含的病人病理信息越来越丰富。然而不同的成像设备所获得的图像有着其各自的特点，医生在临床诊断的过程中往往需要结合不同时间多种模态图像所提供的信息以做出更精确的诊断。医学图像配准作为医学图像处理领域的重要组成部分，可以将不同时间或者来自不同设备的医学图像所提供的病理信息融合到一起，使得医生对病人的身体情况有更加全面的认识。医学图像配准算法，按照对图像信息处理方式的不同大体可以分为基于图像特征信息和基于图像灰度信息的配准。其中基于图像特征信息的配准通过对齐两幅图像的特征点、线或者面等来完成配准过程，配准的精度较为依赖特征提取的好坏。而基于图像灰度信息的配准则通过特定的计算方法对图像像素的灰度值进行处理，配准过程中将图像像素点作为单独的个体，因而忽略了图像的空间特性。针对之前的问题，本文采用一种结合图像特征信息和灰度信息的配准方法，对其进行了深入研究并取得了一定的成果。本文的主要研究内容可以概括为以下几个方面：
　　1.针对配准过程中容易出现特征点匹配误差的问题，本文提出一种形状一致点约束的配准方法。首先，本文针对图像的解剖结构信息提取一定数目的形状特征点，并通过初步的非刚性配准将特征点传递到待配准的另一幅图像中。然后，本文提出一种改进的局部自相似描述子，通过计算特征点多维特征向量之间的欧式距离进行形状一致点的精确配对，将一致点对信息作为惩罚项加入到配准的能量函数中。最后，实验结果表明，本文的方法相较于之前的配准方法在精度上有一定提升。
　　2.针对传统互信息度量方法忽略图像像素点之间空间特性的情况，本文使用笛卡尔特征集构建图像梯度方向特征，融入到传统互信息中。首先，通过最小距离树直接计算熵，构建图像融合了梯度信息和灰度信息的多维特征度量。然后，推导多维特征度量对于配准形变参数的偏导公式，完成梯度下降法寻优，通过全局仿射变换结合局部 B样条变换的整体配准框架完成图像的非刚性配准。同时，本文针对传统算法构建最小距离树速度慢，导致配准效率低的问题，采用一种快速最小距离树算法融入到配准中。最后，通过实验证明了本文方法在配准精度和速度上的提升。