在过去几十年科学技术的快速发展中,非刚性图像配准已经成为生命科学、医学成像、运动跟踪建模、模式识别等领域不可缺少的核心图像处理技术之一。一方面,随着成像技术与设备的进一步发展,含有丰富结构/功能信息的高维度、大规模图像数据的涌现使非刚性图像配准算法面临着如何高效计算图像数据的挑战。另一方面,由于常见的生物组织运动、病灶发展以及外部物理性因素,导致待配准图像中出现对应性缺失和复杂局部大形变的异常问题,更加剧了非刚性图像配准算法很难兼顾提高精度与鲁棒性的两难问题。为了精确、鲁棒、高效地解决非刚性图像配准中存在的对应性缺失与局部大形变的异常难题,本文提出了一种先估计全局形变场再局部回归提升形变场精度的无监督非刚性图像配准深度卷积神经网络框架。考虑到图像配准深度卷积神经网络就是计算待配准输入图像对到输出两图像间形变场之间的映射,而图像异常使得输入图像对到输出形变场之间的映射更加难以通过深度神经网络直接训练拟合。本文中,我们采用分而治之的策略,将该复杂映射的学习网络分解为两个更简单的子映射网络进行训练逼近:首先是输入图像到粗糙形变场的全局映射深度网络,紧接着是粗糙形变场到精确形变场局部回归修正映射深度网络。为了应对图像异常区域的复杂形变,本文进一步在深度网络中引入了联合显著图(joint saliency map,JSM)双向强化机制,引导图像配准网络充分利用图像联合显著结构上下文信息与形变的一致性,重视能够正确配准对齐的显著结构像素点位置,抑制对应性缺失和错误对齐图像区域对图像配准的不利影响。可微分的联合显著图计算还保证了网络的反向传播,进而通过为局部回归修正网络前向计算过程提供结构/形变上下文信息以及为全局预测网络反向更新过程提供匹配误差反馈指导,既实现了双向强化深度网络的整体协同训练过程,也确保了快速更新得到全局到局部层面精确和鲁棒的形变配准结果。实验结果表明,我们所提出的联合显著图双向强化无监督非刚性图像配准网络能够精准、鲁棒且高效地应对存在图像对应性缺失与局部大形变的非刚性图像配准难题,配准二维图像的速度在0.01s~0.2s之间,相比国际上先进的传统算法和无监督配准深度网络,我们算法的配准精度在视觉评估和标志点配准误差量化指标方面也是最好的。