医学图像配准是医学图像处理领域中的一项重要技术，对临床诊断和治疗起着越来越重要的作用．现代医学经常需要将几幅图像结合起来进行分析，以便获取更多的医疗信息，结合分析之前首先要解决这几幅图像的严格对齐问题，也就是所谓的图像配准．医学图像配准是指通过寻找某种空间变换，使两幅图像的对应点达到空间位置及解剖上的完全一致．对于医学图像配准技术来讲，鲁棒性和精度很重要，同时临床上经常需要完全自动地对图像进行配准，即不需要人工介入，因此基于像素灰度的图像配准方法受到多数研究者的青睐．本论文就基于像素灰度的脑图像刚性配准方法进行了研究，主要工作如下：1．针对一种常用的单模图像配准函数-基于灰度均方差的配准函数，分别引进一种局部优化算法(新结构正割法)和一种全局优化算法(新进化策略)对图像配准函数进行优化，并与其他几种常用的优化算法(阻尼高斯-牛顿法、鲍威尔算法、模拟退火算法和经典进化策略-(μ+λ)-ES)进行比较．值得说明的是，新结构正割法对目标函数海森阵的二阶信息项采取了割线近似的办法，而不是像众多高斯-牛顿法及其各种改进形式(如阻尼高斯-牛顿法)那样将二阶信息项直接舍去，因而提高了高斯-牛顿法对目标函数海森阵的近似程度；且校正矩阵在计算过程中始终保持正定，避免了高斯-牛顿法中因为矩阵不可逆而找不到下降方向的问题．配准结果表明新结构正割法的配准精度较高，且配准时间相对较少。2．到目前为止，基于互信息的配准方法(MI)已经得到多数研究者的认可．基于互信息的配准方法本质上是采用Kullback-Leilber散度(KLD)度量两幅图像的联合概率分布和完全独立时两幅图像的边缘概率分布之积间的广义距离，然后通过寻求使得上述距离达到最大的空间变换对图像进行配准．本文采用另一种信息离散性度量方法-FDOD函数-作为上述距离的一个度量．与KLD相比，FDOD函数具有更多吸引人的数学性质．进一步，受到基于归一化互信息配准方法(NMI)的启发，提出了一种归一化FDOD函数(NFDOD)．配准结果证明，上述四种方法(MI，NMI，FDOD和NFDOD)拥有相似的配准精度，而且，归一化FDOD函数以最少的函数调用次数达到配准的目的，且具有较高的鲁棒性．3．基于互信息的配准方法通常采用归一化两幅图像的联合直方图的办法计算联合概率分布．因此基于互信息的配准方法的关键在于联合直方图的构造．目前，大多数研究者采用插值技术(常用的是三线性插值和PV插值)进行联合直方图的构造．但是众多研究表明，插值技术容易引起配准函数出现多极值现象，通常称这种现象为“插值赝象”．针对这种情况，本文提出了一种新的联合直方图构造方法，该方法不需要引进插值技术，而是通过构造一个复合指数函数来计算联合直方图，同时还给出了基于新联合直方图构造方法的互信息配准函数的梯度形式．实验证明，新联合直方图构造方法有效地消除了“插值赝象”，在很大程度上改善了配准过程中出现的多极值问题，避免了优化算法陷入局部极值点而导致误配准的问题，特别是待配准图像的分辨率较低的时候．进一步，在分析比较新提出的联合直方图构造方法和PV插值技术用于基于归一化互信息配准方法的基础之上，提出了一种混合归一化互信息配准方法，在不损失精度的前提下，有效地提高了配准鲁棒性和配准速度．4．随着各种配准软件包的应用，目前图像数据库中已经有了很多已被严格配准过的数据．把这些已配准了的数据作为配准的训练数据集，利用从训练数据集中提取的先验联合概率分布对图像进行配准．当待配准两幅图像的联合概率分布与从训练数据集中对应的两幅图像中提取的先验联合概率分布相同或者差异性最小的时候，则认为达到配准的目的．本文引进Tsallis离散测度对上述两个概率分布的差异性进行度量．选择Tsallis离散测度的原因是它不需要对数计算，而且有可调的参数，这些特点有利于后续的优化工作．配准结果表明，该方法是有效的，并且在一定程度上提高了配准精度和配准速度．