非剛性配準在醫學圖像分析中有著重要的作用。U-Net被證明是醫學圖像分析的研究熱點，被廣泛應用于醫學圖像配準中，然而現有的基于U-Net及其變體的配準模型在處理復雜形變時，學習能力不足，且沒有充分利用多尺度上下文信息，導致配準精度不夠理想。針對該問題，本文提出了一種基于可變形卷積和多尺度特征聚焦模塊的X線圖像非剛性配準算法。該算法首先使用殘差可變形卷積替代原U-Net的標準卷積，以增強配準網絡對圖像幾何形變的表達能力；然后使用步長卷積代替下采樣操作的池化運算，以緩解連續池化導致的特征丟失問題；此外在編、解碼結構的橋接層中引入多尺度特征聚焦模塊，以提高網絡模型集成全局上下文信息的能力。理論分析和實驗結果均表明提出的配準算法能聚焦多尺度上下文信息，能夠處理具有復雜形變的醫學圖像，配準精度有一定提高，適合胸部X線片的非剛性配準。