医学图像配准一直是医学影像处理系统中重要的处理环节,能够为后续的融合、重建等任务提供对齐的图像数据。由于医学图像具有极其复杂的组织结构,传统的基于特征等配准方法已无法满足现代医学图像配准对于实时可形变变换的要求,深度学习的快速发展为医学图像配准问题提供了新的解决办法。现有的基于深度学习的医学图像配准方法大多使用深度网络预测单向的配准结果,这一类方法并不能保持原图的拓扑结构;其中一些方法计算双向变形场的逆变换相似性来满足逆一致性,但结果图像一般是对待配准图像依据变形场采样插值获得的,因此这种方法并不能使结果完全保持逆一致性;且大多数方法仅使用相似性度量作为损失函数,导致结果图像丢失一定的结构特征。本论文主要针对基于深度学习的医学图像配准方法中存在的上述问题,在网络结构、代价函数等方面提出新的方法,主要工作总结如下:（1）提出了一种新的基于对抗网络医学图像配准方法CGMorph（Cycle Generative Adversarial Morph）,该方法构建了以结果为导向的逆一致性配准网络,使用两个生成器来生成双向配准变换,设计逆一致性损失函数和平滑正则项,通过梯度下降法优化损失求解出光滑的互逆变换,即微分同胚变换,微分同胚变换具有双射性,因此可以减少生成图像堆叠或空洞现象的产生,达到保持拓扑结构并提升准确率等指标的目的;此外引入生成对抗损失保证生成的图像结构特征分布与训练集相似,使变形后的图像依然保持结构特征。（2）在CGMorph的基础上提出了一种基于非局部对抗网络的医学图像配准方法Non-local CGMorph,该方法设计了适用于医学图像配准的非局部生成器,通过在生成器中嵌入非局部模块使卷积层输出特征中每个位置的响应都能考虑到全局信息,有利于扩大感受野,当存在较大形变时依然能够正确配准,从而产生更加准确的配准结果;其次,CGMorph通过优化逆一致性损失保证两个循环图像分别与对应的输入图像相似,那么循环图像间的差异性应该与输入图像间的差异性保持一致,因此提出一种差异一致性损失约束项来促进算法收敛;此外CGMorph构建了结果导向的逆一致性算法,而图像的变形场互逆也是逆一致性的一个重要方面,因此提出变形互逆损失约束项来进一步保证变换的逆一致性。综上,本文针对现有的图像配准方法中存在的问题,提出了一种新的基于对抗学习的医学图像配准方法,并基于该方法提出了基于非局部对抗网络的医学图像配准方法,通过实验证明了本论文提出方法的优越性,为医学图像配准方法提供了新的思路,促进了对抗学习在图像配准领域的应用。