针对SIFT(Scale-Invariant Feature Transform)图像配准算法提取特征点时干扰点过多、配准精度低及配准效率低的问题,提出一种基于尺度空间的Marr小波双层SIFT图像配准算法。即使用尺度空间模型与Marr小波相结合的方法,对参考图像和待配准图像进行不同尺度的卷积,将卷积结果作差取极大值,并把极大值点定义为图像的特征点。对提取出的特征点使用双层SIFT图像配准算法对图像进行特征匹配,第一层粗配准:互向欧氏距离对参考图像和待配准图像进行初步特征匹配,使用由参考图像到待配准图像的欧氏距离先对图像进行一次配准,再使用由待配准图像到参考图像的欧氏距离对图像进行二次配准,将两次配准结果中相同的匹配点对保留,作为粗配准结果;第二层精配准:对粗配准的结果进行精配准,通过改进的随机采样一致算法(Random Sample Consensus,RANSAC)对粗配准结果进行迭代,将不符合的匹配点对剔除,以达到精确配准结果。本文通过普通图像和遥感图像的配准来评定算法的性能。由实验结果可知,算法对于普通图像进行特征点匹配的配准精度平均在70%左右,对于遥感图像进行特征点匹配的配准精度平均在60%左右,通过对普通图像和遥感图像的结果对比,可以看出比SIFT配准算法的配准精度均提高20%左右,比文献[62]算法的配准精度提高15%左右。同时在配准效率上,本文算法针对普通图像和遥感图像进行配准的效率均比SIFT配准算法的配准效率提高一倍以上。验证了本文算法的配准精度以及配准效率都较高,算法具有一定的可行性、有效性。