医学图像配准技术是当代医学图像处理技术的一个重要方面，通过将不同模态的医学图像有机地结合起来，可以为医生提供更加丰富的诊断信息。基于互信息的医学图像配准方法得到了广泛的应用，传统的局部优化算法容易陷入局部极值，具有良好全局寻优能力的遗传算法由于存在早熟收敛问题也可能会陷入局部极值，最终得不到全局最优解，这些优化方法应用于实际的医学图像配准中存在配准精度较低的不足。　　 本文在研究基于互信息的医学图像配准优化方法的基础上，提出一种改进的粗粒度并行遗传算法(ICGGA)，并将其应用于医学图像的配准中。改进算法利用粗粒度并行进化结构，对遗传参数进行自适应调整，使粗粒度并行遗传算法的种群多样性得到提高，优秀个体得到保护，实现了粗粒度并行遗传算法不同子种群搜索不同最优值的思想，可有效避免局部极值的影响；结合标准遗传算法的遗传终止条件，设计出了适合粗粒度并行遗传算法的收敛准则。　　 本文主要工作包括：　　 ①分别对医学图像配准的研究背景、国内外研究现状、医学图像配准的基础知识，包括医学图像配准的主要技术和过程进行了详细的阐述与介绍。　　 ②对医学图像配准中的相似性测度和优化算法进行了研究。医学图像配准过程相似性测度和优化方法的选取决定了图像的配准精度。通过对三种经典优化算法的比较，得出粗粒度并行遗传算法的迁移操作可增加种群多样性，具有更好的全局搜索能力和局部搜索能力，有利于避免过早收敛。　　 ③通过将现有交叉率及变异率自适应公式和余弦函数结合，设计出了一种新型的自适应公式，提出了改进的粗粒度并行遗传算法。改进算法使得种群多样性得到提高、优秀个体得到保护，实现了粗粒度并行遗传算法不同子种群搜索不同最优值的思想，能有效克服陷入局部极值的缺陷，从而提高图像配准的精度。另外结合标准遗传算法的常用遗传终止条件，设计出了适合粗粒度并行遗传算法的收敛准则。　　 ④对本文所提出方法进行实验验证：编程实现了所设计的配准算法，并将改进算法应用于单模及多模图像的配准，将实验结果与传统的优化算法及改进前同类方法进行了比较。实验表明该方法可有效降低传统优化算法的局部极值现象，稳定性更强、配准精度更高，能较好应用于医学图像的配准。