医学图像配准是指寻找两幅医学图像之间的一个最优变换，使得一幅图像经过该变换后和另一幅图像达到空间上的对齐。在医学领域，配准主要应用于CT、MR、PET等医学图像的信息融合、实际医学图像和图谱的比较、外科手术导航、心脏运动估计等许多方面。本文针对这一热点课题进行了研究。　　如果整幅图像中存在多个相似区域，用传统的SIFT(Scale Invariant FeatureTransformation，SIFT)算法得到的特征描述子会有很大的相似性，从而出现大量的误匹配点对。为了克服传统特征匹配算法对噪声和图像灰度非线性变换敏感的不足，本文提出了改进的SIFT特征提取和匹配算法。首先采用Harris角点检测算子提取特征点，然后通过求取该特征点周围像素的梯度直方图构造SIFT特征描述子。改进的SIFT算法加入全局纹理信息，使得SIFT特征描述子包含更大邻域范围内的曲线形状信息，降低了由于局部信息相似而造成误匹配的概率。　　提出了基于仿射变换和薄板样条相结合的层次模型非刚性配准算法，采用仿射变换进行全局粗配准，应用薄板样条弹性模型进行局部精配准。　　在此基础上，给出了基于改进SIFT特征的医学图像非刚性配准完整新算法:首先分别对参考图像和待配准图像进行特征提取，生成改进的SIFT特征描述子;采用仿射变换进行全局粗配准和薄板样条弹性模型进行局部精配准的层次模型;利用欧氏距离和算术—几何均值距离作为相似性测度，最终实现医学图像的非刚性配准。　　开发了基于开放源码视觉类库(Open Source Computer Vision Library，OpenCV)的非刚性配准软件平台，并给出了可视化的配准实验界面。在本文所开发的图像配准系统中对多组CT、MR和PET图像进行了配准实验。在特征提取方面，对传统的SIFT特征提取和匹配方法与本文的改进方法进行了对比实验，充分显示了本文所提出算法的优越性;在实现图像配准过程中，用相关系数，最小均方误差，归一化互信息，信噪比等评价指标对多组实验的配准效果进行了客观评价。从客观评价结果来看，本文方法得到了较理想的非刚性配准效果。