醫學圖像配準在醫療診斷和治療規劃等領域具有重要意義。然而，當前基于深度學習的配準方法仍然面臨著一些挑戰，如對全局信息提取能力不足、網絡模型參數量大、推理速度慢等問題。為此，本文提出了一種新的模型LCU-Net，采用并行輕量化卷積以提升全局信息的提取能力；通過多尺度融合來解決網絡參數量大和推理速度慢的問題。實驗結果顯示，LCU-Net的Dice系數達到0.823，Hausdorff距離為1.258，網絡參數量相對于多尺度融合之前減少了約四分之一。本文提出的算法在醫學圖像配準任務中表現出顯著優勢，不僅在性能上超越了現有的對比算法，而且具有出色的泛化性能以及廣泛的應用前景。