3D/2D配准是手术导航的关键技术，现有基于深度学习的配准方法通过网络提取图像特征，继而回归出相应的姿态变换参数。此类方法依赖于真实的样本以及对应的3D标签用于训练，然而这部分专家标注的医疗数据十分稀缺。替代的方案用数字重建放射影像（DRR）图像训练网络，由于图像特征跨域的差异，在X射线图像上难以保持原有的配准精度。针对上述问题，设计基于自注意力的无监督跨域迁移网络（UCDTN），无须依赖X射线图像与其对应的3D空间标签作为训练样本，将源域所捕获的图像特征与空间变换间的对应关系迁移到目标域，借助公共特征减小域间特征的差距、降低跨域所带来的负面影响。实验结果表明，UCDTN预测结果的平均配准误差（mTRE）为2.66 mm；与未经跨域迁移训练的模型相比，mTRE指标降低了70.61%，验证了UCDTN在跨域配准任务上的有效性。

2D/3D医学图像配准是骨科手术三维实时导航中的一项关键技术，然而传统的基于优化迭代的2D/3D配准方法需要经过多次迭代计算，无法满足医生在手术过程中对于实时配准的要求。针对该问题，提出一种基于自编码器的姿态回归网络来通过隐空间解码捕获几何姿态信息，从而快速地回归出术中X射线图像对应的术前脊椎位置的3D姿态，并经过重新投影生成最终的配准图像。通过引入新的损失函数，以“粗细”结合配准的方式对模型进行约束，保证了姿态回归的精确度。在CTSpine1K脊椎数据集中抽取100组CT扫描图像进行10折交叉验证，实验结果表明：所提出的模型所生成的配准结果图像与X射线图像的平均绝对误差（MAE）为0.04，平均目标配准误差（mTRE）为1.16 mm，单帧耗时1.7 s。与基于传统优化的方法相比，该模型配准时间大幅缩短。相较于基于学习的方法，该模型在快速配准的同时，保证了较高的配准精度。可见，所提模型可以满足术中实时高精配准的要求。