图像配准是一个寻找两幅或多幅图像的空间对应关系的过程,是一种应用广泛的核心图像处理技术。随着科学技术的快速发展与人民生活水平的提高,在医学图像配准领域,一方面,临床成像技术得到了发展,医学成像设备得到了推广与普及,涌现出了大量的含有丰富的结构或功能信息的图像数据,这给图像配准技术带来了极大的挑战。另一方面,图像配准技术也被应用到各种极具挑战的临床应用场景中,研究者们针对其应用场景提出了大量适用性的图像配准技术。尽管现有的传统配准方法能够取得不错的配准精度,但是其计算成本普遍较高,运行速度较慢,算法参数可复用性低。这是由于传统方法大都将每一个图像配准任务当作一个目标函数的不断迭代优化过程。为了在保证配准精度较高的情况下,提高配准的运行速度,本文提出了一种基于无监督学习的胸部图像非刚性配准框架。在配准框架中,卷积神经网络学习从输入图像到输出变形场的映射,然后一个空间转换层根据预测的变形场,将输入的浮动图像进行变形。网络通过最大化变形后的浮动图像与输入的参考图像之间的相似性测度来进行训练。这种端到端的无监督学习框架,在训练过程中不需要任何监督信息,比如分割掩模、人工标注的或模拟产生的变形场等。为了保证变形场的平滑性,本文针对两个不同的数据集,分别采用了显式与隐式的平滑正则化项。本文分别在胸部X光图像与胸部CT数据集上进行了实验,实验结果均表明,相比于现有的传统配准方法与其他深度学习方法,我们提出的基于无监督学习的非刚性配准框架能够取得精确且快速的配准结果。