Les techniques classiques de registration déformable obtiennent des résultats impressionnants et offrent un traitement théorique rigoureux, mais elles sont intensives en calcul car elles résolvent un problème d'optimisation pour chaque paire d'images. Récemment, les méthodes basées sur l'apprentissage ont facilité la registration rapide en apprenant des fonctions de déformation spatiale. Cependant, ces approches utilisent des modèles de déformation restrictifs, nécessitent des étiquettes supervisées ou ne garantissent pas une registration difféomorphique (préservation de la topologie). De plus, les outils de registration basés sur l'apprentissage n'ont pas été dérivés d'un cadre probabiliste qui pourrait fournir des estimations d'incertitude.Dans cet article, nous établissons un lien entre les méthodes classiques et celles basées sur l'apprentissage. Nous présentons un modèle génératif probabiliste et en dérivons un algorithme d'inférence basé sur l'apprentissage non supervisé qui utilise les connaissances issues des méthodes de registration classiques et s'appuie sur les récentes avancées dans les réseaux neuronaux convolutifs (CNNs). Nous illustrons notre méthode sur une tâche de registration cérébrale 3D pour à la fois des images et des surfaces anatomiques, et fournissons des analyses empiriques exhaustives. Notre approche fondée sur des principes aboutit à une précision de pointe et à des temps d'exécution très rapides, tout en garantissant la difféomorphie. Notre implémentation est disponible à l'adresse http://voxelmorph.csail.mit.edu.