目的 本研究旨在配准胸主动脉血管内修复术(thoracic endovascular aortic repair，TEVAR)术中X线与术前CT图像，为TEVAR支架植入提供精确安全的导航。然而，现有配准算法存在无法有效弥合投影CT图像生成的数字重建影像(digitally reconstructed radiography，DRR)与X线图像之间的域间差异和难以获得图像分割标签的问题。因此，需要提出新的方法来改善这一问题。方法 本文提出了一种新的配准框架，该框架结合了基于生成对抗网络(generative adversarial network，GAN)的域自适应网络和基于Transformer的配准网络。基于GAN的域自适应网络将X线图像的风格迁移到DRR图像上，使两者在图像风格上更接近。基于Transformer的配准网络采用CNN与跨模态变换器(crossmodality transformer，CMT)相结合的模式，直接配准X线与CT图像，无需进行图像分割。结果 本文在208对标定的TEVAR术中X线与CT图像对上对新的配准方法进行了验证。与其他域适应方法相比，本文所采用的CycleGAN网络作为风格转换模块，有效减小了DRR图像与X线图像之间的域间差异。消融实验结果进一步证实，配准网络中的全局局部感知模块(globallocal perception module，GLPM)对提高配准精度具有明显作用，而空间缩减(spatial reduction，SR)则有效缩短了配准时间。通过对比现有方法和本文方法在真实患者X线与CT图像对上的配准效果，本文的方法在配准精度和成功率方面均表现出最佳性能。结论 本文提出的新的X线与CT图像配准方法有效克服了现有方法存在的域间差异以及难以获得分割标签的问题。