图像配准广泛应用于图像引导的肺肿瘤放射治疗，但现有算法对形变较大的图像配准效果不佳。针对该问题提出一种算法利用多尺度并行下采样模块缩减图像大小，得到多尺度低分辨率特征图；并采用金字塔空洞卷积模块提取图像特征，以提高模型的感受野。该算法通过自适应通道注意力模块调整神经网络对不同形变特征的偏重，以解决模型偏重于较大形变而对小形变配准效果不佳的问题；同时在损失函数中加入平滑性约束来提高形变场的平滑性；并通过对训练样本数据扩增的方法提高算法模型的稳定性和泛化性。在DIR-lab、Creatis数据集测试中，提出算法的目标配准误差（TRE）分别为1.71、1.50 mm，而全卷积神经网络（FCN）算法的一次迭代TRE分别为2.83、2.01 mm，实验结果表明提出算法的TRE明显小于FCN算法，且其泛化性和稳定性也较好。

透过水空介面成像是透过扰动介质成像领域的一个新方向,与透过单一湍流介质成像相比,这种成像方式的图像退化主要表现为更严重的随机畸变。提出了一种补偿水波扰动带来的随机图像畸变的算法。该方法可以从畸变图像序列中恢复出一帧无畸变的图像。首先对图像序列进行筛选,从图像序列中选出最清晰的一帧作为基准帧。使用非刚性配准结合一些后续处理,估计出基准帧到图像序列几何中心的非刚性变形向量场。然后,用这个非刚性变形向量场对基准帧坐标映射并插值得到无畸变的图像。最后,分析讨论了该算法的优势和局限性。通过实验验证了该算法的有效性。

考虑传统非刚性图像配准方法无法同时满足配准精度和配准时间要求, 综合图像的特征和灰度信息, 提出了几种改进的非刚性图像配准方法: 基于圆形描述子特征的非刚性配准方法（Circle Descriptor Feature, CDF）, 基于动态驱动力Demons的非刚性配准方法（Dynamic Driving Force Demons, DDFD）, 和基于图像特征和光流场的非刚性配准方法。CDF方法通过提取图像的特征点, 采用圆形描述子代替传统方法的正方形描述子来保证图像的旋转不变性, 提高配准速度; DDFD方法通过引入驱动力系数动态改变驱动力, 有效地解决了传统方法配准时间和配准精度低的问题; 基于图像特征和光流场的非刚性配准方法则首先提取浮动图像和参考图像的特征点, 然后利用提取的特征点进行粗配准（特征级配准）, 再采用基于光流场的方法进行精细配准（像素级配准）, 最终实现配准精度和配准时间的兼顾。对checkboard测试图像、自然图像、脑部MR图像、肝部CT图像进行了实验测试, 结果表明, 本文方法在配准时间、配准精度及对大形变图像的适应性方面均优于传统尺度不变特征转换（ SIFT ）、加速鲁棒特征（SURF）、Demons、Active Demons和全变差正则项-L1范数项（TV-L1）等方法。

考虑高斯混合模型(TMM)的点集非刚性配准算法易受异常点和重尾点的影响, 提出了基于t分布混合模型的运动一致性非刚性配准算法。通过期望最大化(EM)框架的完整数据定义将高斯混合模型推广为t分布混合模型, 使用EM算法最小化参数的条件期望获得非刚性配准参数的闭合解。在EM算法中计算浮动点集各个点的先验权重, 减小异常点和重尾点对配准结果的影响; 计算浮动点集各个点的自由度, 自适应地改变每个点的概率密度分布模型, 提高算法的鲁棒性, 并避免了异常点水平估计误差对配准结果的影响。在t分布混合模型的条件期望函数中加入点集位移的正则项, 使邻近点具有运动一致性(CPD)。仿真数据表明, 当噪声水平很高时, TMM-CPD仍可以精确配准点集, 且误差仅为对比算法的1/10。真实图像的近似椭圆状分布、管状分布和三维点云状分布的点集配准结果表明, TMM-CPD的配准误差仅为对比算法的42.0%、80.1%和77.5%。实验表明, TMM-CPD配准含有重尾点和异常点的点集, 具有精度高、鲁棒性好和受重尾点与异常点干扰小等优点。