本文课题来源于吉林大学计算机科学与技术学院数据库与智能网络实验室与吉林大学第二医院CT室合作的交叉学科科研项目“基于知识库的医学图像配准模型研究”,主要研究内容为多模态脑图像CT和MRI之间的配准,目的是为以后的图像融合提供基础。医学图像配准可以分为几何变换、相似性测度、图像插值和优化函数四个主要模块,本文主要研究相似性测度模块,研究在多模态领域非常成功的基于最大化信息的相似性测度。最大化互信息将信息论引入图像配准,当待配准图像经过-定的几何变换达到最佳配准度量时,互信息值达到最大,该方法不依赖人工干预,不需要对图像进行预处理,也不需要任何的假设性先验知识等,是实现配准自动化的一个非常好的选择。使用的优化函数为梯度下降法的一种改进,称为规则的梯度下降法。本文以一个通用的医学图像配准框架为主线,对医学图像配准的流程以及关键技术进行了讨论。我们将配准、融合、以及用户操作接口分别作为独立的子系统构建了一个实验性医学图像配准融合系统,可以进行二维医学图像的配准融合实验。使用开源库ITK设计并实现了配准子系统模块,并使用开源库VTK与MFC实现了数据可视化与用户界面接口。给出了最大化互信息的理论推导,分析了影响配准效果的关键因素,并给出了计算互信息的简单示例。首先针对标准的医学图像进行了基本的实验,目的是找出尽可能理想的参数,使得对大部分的图像都能有好的效果。经过大量实验得到了互信息和优化函数中几个关键参数的取值,然后使用有病变的真实病人CT-MRI图像进行了配准实验,给出了整个配准过程中负互信息值以及浮动图像平移量的曲线图。最后结合多分辨率策略进行实验,讨论了多分辨率的原理并给出了结合多分辨率策略的配准详细流程,同样使用真实病人数据进行了实验。实验结果表明对比较复杂的图像多分辨率策略能明显提高配准精度,但同样会增加配准时间。目前实验还主要是脑图像CT-MRI配准中,对于其它易形变以及有复杂病变的人体组织器官还没有好的结果。以后随着研究的深入,我们还将针对腹部等易形变的组织进行实验,研究更复杂的非刚体变换模型,以及进行3D医学图像配准研究,并针对配准速度问题结合GPU进行辅助加速等。