神经性疾病已经成为全球健康的主要威胁，其早期诊断有助于显著降低其发病率，脑核磁共振（MR）图像处理方法是神经性疾病早期诊断的有效手段，配准方法是其关键环节，直接影响其临床应用，由于脑MR图像中解剖结构具有明确病理意义，因此研究对其精确配准是提高基于脑MR图像处理方法的神经性疾病早期诊断准确性的一个关键问题。　　本文在重庆大学中央高校科研启动基金、国家自然科学基金、重庆大学“211工程”三期创新人才培养计划建设项目的资助下，展开了对基于互信息的脑MR图像配准算法的研究。作者在“基于互信息的脑MR图像配准算法研究”课题的研究中，将基于互信息的脑MR图像配准方法转化为一个具有医学图像背景的优化问题。在配准函数的设计、优化算法的设计以及动态优化方式的研究三个方面展开了较为深入的研究，以利于提高脑MR图像配准的精度。在此基础上，对比研究了图像配准中几种具有代表性的互信息测度用于脑图像配准的性能差异，提出了小波混合优化算法用于脑图像配准，并实现了基于进化学习的动态图像匹配，等。本文基于MATLAB和多幅脑MR图像对文中提出的各种方法进行多次统计实验，统计结果表明，本文的方法用于脑MR图像，可获取较高的配准精度，较短的运行时间以及较好的稳定性。　　论文的主要研究工作及创新之处如下：　　（1）对基于互信息的四种测度的配准性能做了深入的比较研究，包括最大互信息、归一化互信息、梯度互信息、区域互信息。基于脑MR图像配准对上述四种测度进行了比较和分析，定量分析了它们对于脑MR图像的作用差异及特点，为基于它们设计脑MR图像配准方法提供了有益的帮助。实验结果表明：四种测度对于脑MR图像均能达到准确的配准，并具有很好的收敛性能。其中梯度互信息测度的鲁棒性最好，区域互信息测度的配准精度较之其它三者略差。　　（2）针对目前已有的优化算法，提出了基于小波和PSO的混合优化算法应用于脑MR图像配准。该算法采用小波分解技术实现脑MR图像的高低分辨率分解。在低分辨率图像上采用PSO（粒子群算法）进行优化获得初步配准参数，然后基于该获得的原图像所对应的配准参数，采用Powell算法进一步精细优化，获得最终配准参数。实验结果表明，针对脑MR图像配准，该优化算法相对于目前一些主流优化算法来说，既具有较低的时间代价，同时还能获得较高的优化精度，此外其优化稳定性也较好。　　（3）基于动态优化研究实现了动态图像匹配。该算法结合PSO进化算法和机器学习方法，通过对当前图像匹配后的最优种群动态继承与变化，并用于指导后续图像的匹配，从而实现了初始种群的优化，克服了目前图像匹配算法中参数设定随机或仅凭经验设定的局限性，以及对多幅图像连续配准时时间较长的缺点。实验结果表明，该方法较之传统的通过随机重启生成新种群的配准方式，可以获取更高的精度和更短的运行时间，同时实现了稳定的最优图像匹配。　　本文结构如下：第一章为绪论，论述本课题背景、研究意义以及国内外相关的研究现状，介绍本论文的主要内容和工作；第二章论述脑MR图像配准理论基础，包括基本概念、关键技术及主要配准方法；第三章论述脑MR图像配准中互信息测度的研究，包括相关理论分析、算法研究与实现以及相关实验结果和分析；第四章论述小波混合优化算法用于脑MR图像配准的研究，包括相关理论分析、算法研究与实现以及相关实验结果和分析；第五章论述脑MR图像动态匹配的研究，包括相关理论分析、算法研究与实现以及相关实验结果和分析；第六章为结论，论述了本文所做的主要研究工作以及今后进一步的研究方向。