功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）是一种新兴的神经影像学方式,它能在一个较短的时间内获取一系列相同部位的图像,具有较高的时间分辨率。fMRI数据分析是一个大数据问题,通常需要对单一被试者进行多项研究或者对一组被试者进行群体性分析从而得到当前被试者或群体的综合信息。为了保证数据的可比较性,在做数据统计分析之前需要将多个fMRI图像的功能区域对齐,即对fMRI数据进行配准。传统的fMRI配准方法是间接利用fMRI对应的高分辨率结构图像上的解剖结构点去完成功能的配准,但是,结构对齐并不一定意味着功能对齐。近年来,fMRI配准算法开始直接利用基于脑灰质功能信息的功能配准,通过人工提取和描述大脑灰质功能信息进行配准。然而灰质表面曲率复杂度很高,仅仅基于灰质区域想要完成精确配准是非常困难的。最近的研究也表明基于深度学习的方法可以用于图像配准,其中无监督深度学习配准方法由于不需要真实形变场而被广泛关注,但是无监督深度学习的方法更多关注于配准图像对之间的相似度而忽略配准形变场的合理性。针对前人基于功能信息的配准方法只关注灰质信息,而忽略了白质信息的问题,我们提出了半监督深度学习方法,利用基于块的组织特异性功能相关张量分别提取灰质和白质信息作为监督信息来辅助fMRI配准。为了评估我们的方法,我们在静息态fMRI数据集和任务态fMRI数据集上应用我们的方法。在对数据集配准后,我们提取了四种常用的大脑功能网络进行组水平分析,实验结果表明,相比于传统的fMRI配准方法,我们的方法可以显著提高各被试者的功能一致性,说明我们的方法具有较好的配准性能。针对无监督深度学习的方法存在形变场不合理的局限性,我们提出了基于3次级联多分辨率（Multi-Resolution Network,MR-Net）的深度学习配准网络框架来实现fMRI配准。我们将MR-Net级联3次,每一次都分别预测一个子形变场。最终的形变场由MR-Net预测的所有子形变场组成,我们对所有级联子形变场施加了较大的平滑约束来保证它们的拓扑结构。同时级联结构可以完成渐进配准的过程,所以能达到较好的配准效果。我们在静息态和任务态fMRI数据集上验证我们的方法。实验结果表明,我们的方法能在保证形变场合理的情况下提高被试者间脑功能区域的一致性,验证了本方法的有效性。