Nous présentons une approche de recalage basée sur la cartographie métrique difféomorphique régionale (RDMM). Le RDMM est non paramétrique, estimant des champs de vitesse spatio-temporels qui paramètrent la transformation spatiale recherchée. La régularisation de ces champs de vitesse est nécessaire. Cependant, contrairement aux approches existantes de recalage non paramétrique, comme le modèle de cartographie métrique difféomorphique à grande déformation (LDDMM), qui utilisent une régularisation spatialement invariante fixe, notre modèle transporte un régulariseur spatialement variable avec le champ de vitesse estimé, ce qui permet naturellement d'attacher un régulariseur spatio-temporel aux objets déformables. Nous explorons une famille d'approches de recalage RDMM : 1) un modèle de recalage où les régions avec des régularisations distinctes sont pré-définies (par exemple, dans un espace d'atlas), 2) un modèle de recalage où un régulariseur spatial général et variable est estimé, et 3) un modèle de recalage où le régulariseur spatial variable est obtenu par un modèle d'apprentissage profond (DL) formé bout à bout. Nous fournissons une dérivation variationnelle du RDMM, montrons que le modèle peut garantir des transformations difféomorphiques dans le continu, et que LDDMM est une instance particulière du RDMM. Pour évaluer les performances du RDMM, nous menons des expériences 1) sur des données synthétiques bidimensionnelles et 2) sur deux ensembles de données tridimensionnelles : des images par résonance magnétique (IRM) du genou issues de l'Initiative sur l'arthrose (OAI) et des images tomographiques computées (CT) du poumon. Les résultats montrent que notre cadre atteint des performances de recalage d'images au niveau de l'état de l'art tout en fournissant des informations supplémentaires grâce à un régulariseur spatio-temporel appris. De plus, notre approche d'apprentissage profond permet des estimations très rapides du RDMM et du LDDMM. Notre code sera open-source. Le code est disponible à l'adresse suivante : https://github.com/uncbiag/registration.