U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失，导致分割效果不佳。为解决这一问题，提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元，并在此基础上设计轻量级的双重注意力特征对齐网络（DAFANet）。首先，将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络，以验证其有效性和泛化性。其次，在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet，利用特征对齐单元强化上采样过程中的特征恢复，3D期望最大化注意力机制同时作用于特征对齐路径和级联路径，用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后，在BraTS2018和BraTS2019公开数据集进行验证，文中所提算法在ET，WT和TC区域的分割精度分别达到80.44%，90.07%，84.57%和78.11%，90.10%，82.21%。相较于当前流行的分割网络，具有对增强肿瘤区域更好的分割效果，更擅长处理细节和边缘信息。

为了提高人群计数模型对尺度和光噪声的鲁棒性，设计了一种多模态图像融合网络。提出了一种针对夜间人群统计模型，并设计了一个子网络Rgb-T-net，网络融合了热成像特征和可见光图像的特征，增强了网络对热成像和夜间人群特征的判断能力。模型采用自适应高斯核对密度图进行回归，在Rgb-T-CC数据集上完成了夜视训练和测试。经验证网络平均绝对误差为18.16，均方误差为32.14，目标检测召回率为97.65%，计数性能和检测表现优于当前最先进的双峰融合方法。实验结果表明，所提出的多模态特征融合网络能够解决夜视环境下的计数与检测问题，消融实验进一步证明了融合模型各部分参数的有效性。

医学图像配准在图谱创建和时间序列图像对比等临床应用中具有重要意义。目前，使用深度学习的配准方法与传统方法相比更好地满足了临床实时性的需求，但配准精确度仍有待提升。基于此，本文提出了一种结合残差混合注意力与多分辨率约束的配准模型MAMReg-Net，实现了脑部核磁共振成像（Magnetic Resonance Imaging， MRI）的单模态非刚性图像配准。该模型通过添加残差混合注意力模块，可以同时获取大量局部和非局部信息，在网络训练过程中提取到了更有效的大脑内部结构特征。其次，使用多分辨率损失函数来进行网络优化，实现更高效和更稳健的训练。在脑部T1 MR图像的12个解剖结构中，平均Dice分数达到0.817，平均ASD数值达到0.789，平均配准时间仅为0.34 s。实验结果表明，MAMReg-Net配准模型能够更好地学习脑部结构特征从而有效地提升配准精确度，并且满足临床实时性的需求。