临床的诊断治疗往往要求对病人的病变部位进行多次成像,以获取互补、有效、全面的信息,提高医生的治疗效果。因此,在一幅图像上体现多方面的信息、,形成的图像信息融合与重建成为医学影像学的发展方向。作为图像信息融合的基础,医学图像配准(Medical Image Registration)具有重要的临床应用价值,不仅可以用于诊断治疗,还可以用于跟踪病理变化以及评价治疗效果等多方面。图像配准已经成为当前医学图像处理领域中的研究热点,它主要是寻找两幅图像之间的一个最佳变换,使其中一幅图像在该变换下与另一幅图像达到空间位置或解剖结构的一致。医学图像配准的研究具有一定的复杂性和困难度,虽然已经提出了诸多算法,但每种方法都是针对某一特定问题而设计,因此具有一定的局限性。本文分析对比了基于特征与基于像素的医学图像配准方法,对基于互信息的配准方法进行了深入研究,讨论了图像变换引起的重叠面积的差异、图像灰度级别、采样插值技术对配准的影响。由于互信息仅用到了图像的灰度信息,没有考虑到像素之间的空间位置关系,本文将待配准图像间的对齐度(AM)引入到归一化互信息中,并定义了新的相似性函数——互距离最小归一化互信息(CI_NMI)；为减少配准过程中的运算量,利用小波对图像进行多分辨率分解,在低分辨率下采用CI_NMI作为测度函数,利用Powell方法找到的最优解作为下次搜索迭代的初始参数；在高分辨率下对归一化互信息(NMI)采用PSO算法搜索,由实验结果可看出改进测度函数在多分辨率思想下不仅能得到精确的配准结果,同时高效地收敛到最佳配准参数。此外,在对经典PSO算法深入分析研究后,选择了搜索性能最高的权重系数动态改进的PSO算法(DT_PSO)。实验三分别对各种改进权重因子的PSO算法在典型变换条件下进行了仿真,可看出DT_PSO在保证同样精度的前提下所需迭代次数最少；又由于经典算法熟练条件单一,常在最优解附近徘徊以致不能收敛,本文在此基础上提出附加收敛条件,使DT_PSO算法能高效率地收敛到最优解。