近年来，基于无监督学习的医学图像配准方法取得了快速发展。本文提出重新审视一个常被忽视但简单且成熟的原则：在多尺度下对变形矢量场进行递归精炼。为此，我们提出一种递归精炼网络（Recursive Refinement Network, RRN），用于提取多尺度特征，构建归一化的局部代价相关体积，并递归优化体素级变形矢量场。该方法在呼气-吸气状态下的三维肺部CT扫描图像配准任务中达到了当前最优性能。在DirLab COPDGene数据集上的实验结果表明，RRN实现了平均目标配准误差（Target Registration Error, TRE）0.83 mm，相较于排行榜中最佳结果降低了13%的误差。此外，与传统方法相比，RRN在误差上实现了89%的显著降低，相较于基于深度学习的同类方法也展现出显著优势。