随着医学影像学的不断发展，医学图像的配准已经成为医学图像研究领域的热门专题之一。医学图像配准具有重要的临床应用价值，对各种使用不同或相同的成像手段所获取的医学图像进行配准可以合理利用信息资源，使临床诊断和治疗、外科手术和疗效评估等更加全面和精确。近年来，随着刚性配准技术的日趋成熟和完善，非刚性配准技术已成为医学图像配准中的一个重要研究课题。　　在基于特征的非刚性医学配准中，匹配点对的生成是至关重要的步骤之一，为了满足图像匹配实效性，本文提出了半朴素贝叶斯分类匹配新方法，该匹配算法首先应用快速Hessian检测算子对参考图像提取稳定的特征点来构造训练集，并对分类器进行学习，然后再对待配准图像的特征点进行分类形成最终的匹配点对，该算法在进行分类时采用的分类算法计算代价较小，能满足实时性的要求。　　本文用层次B样条弹性变换作为空间变换模型，它将控制网格由稀到密逐渐变换，较稀的网格可得到变换模型的总体形状，较密的控制网格用来逐步减小逼近误差，从而得到整幅图像的精确配准。　　图像配准中优化算法主要用来优化空间变换的参数，其性能的好坏直接影响到配准的结果。粒子群算法由于算法简单、易于实现，且具有并行计算的特点，被广泛应用于实际优化问题的求解。但粒子群算法具有易陷入局部极值和收敛速度慢的缺点，针对该问题，本文采用自适应粒子群算法来优化配准过程，用部分Hausdorff距离作为相似性测度。实验结果显示自适应粒子群算法可在整个搜索空间中以较快的收敛速度完成全局搜索。　　开发了基于OpenCV和VS2005的非刚性配准软件平台。通过该平台对大量医学图像进行配准实验，并将本文提出的基于半朴素贝叶斯分类匹配算法和自适应粒子群的非刚性医学图像配准方法与经典的尺度不变特征算予SIFT和粒子群算法进行了比较，实验结果显示本文的算法更具有优越性。