图像配准技术历来是图像处理和计算机视觉领域的研究重点和难点,其在现实生活中具有广泛的应用。一般而言,针对工业图像、遥感图像和医学图像的配准较为常见。在医学图像处理中,通过对不同图像进行配准和融合,可以将不同图像所包含的不同信息整合在一起,这可以为医生提供更加全面的信息,对于临床诊疗具有十分重要的意义。此外,许多技术都在不同程度上依赖于图像配准的实现,例如,目标检测、运动分析、图片搜索和图像拼接等。在图像配准中,既可能面临相同场景的图像,又可能面临不同场景的图像,也就是跨场景图像的配准问题。尤其是在图像存在重叠区域或者形态变化时,图像配准变得更具挑战性。针对上述情况,本文提出了一种基于空间金字塔网格模型和个体熵相关系数的配准方法。首先,通过对目标图像多次进行不同数目的网格划分,从一整幅图像,到粗网格单元,再到单个像素,由此构建空间金字塔网格模型,根据逐层提取的SIFT描述符的位置关系同时在多个尺度调整匹配一致性,从而获得图像间的最优变换。其次,通过引入个体熵相关系数这一相似性测度,从而可以更加准确的描述图像间的对齐程度,利用B样条变换实现更精确的配准。实验表明该方法具有很好的鲁棒性,相较于已有的配准方法,在精确性上也有了一定的提升。在医学诊疗中,诸多问题都会涉及到颈动脉血管。为了实现颈动脉血管的高精度配准,进而可以计算出颈动脉血管的位移场,本文提出了一种基于形状特征和纹理特征的迭代配准方法。目标图像的匹配可以通过提取形状轮廓,利用形状上下文信息实现;与此同时,SIFT特征在目标匹配时具有很好的鲁棒性,图像间的稠密对应关系可以利用图像中逐像素的SIFT特征来建立。通过将二者相结合,本方法可以达到一个很好的配准效果,进一步地,利用迭代的思想,配准精度再次得到提高。实验结果证明了其良好的鲁棒性,并且在精度上超越了传统的配准方法。