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。

为对图像融合算法进行客观准确的综合评价，提出一种基于总变差正则化（TV-L¹）结构纹理分解的评价算法。根据对人类视觉系统的研究，可知人们对图像质量的感知主要来自图像底层视觉特征，而结构特征以及纹理特征是最重要的图像底层视觉特征，但目前的图像融合质量评价算法并没有利用这两种特征来进行评价。鉴于此，将图像进行二级结构和纹理分解，根据结构和纹理图像蕴含图像特征的不同，从结构图像和纹理图像两方面分别进行相似度评价，综合各级得分得到最终的评价总得分。基于30幅图像的数据集和8种主流融合算法，参照已有的11种客观评价指标，用波达计数法和肯德尔系数检验了该评价指标的一致性，另外在主观评价图像集上验证了该客观评价指标与主观评价的一致性。