近年来,各式成像设备的迅猛发展使得人们能够获取多种异源图像,将其整合并利用的前景越发广阔。图像配准技术是将异源图像拼接、融合等视觉任务提高精度的瓶颈和必要前提,也是图像处理领域的研究热点。可见光与红外光图像作为异源图像中的两种经典多模态图像,因其所处光谱的不同波段及信息互补性,其图像配准任务可以充分利用互补信息,减少场景目标的不确定性,提高后续图像分析的精度。然而,基于传统手工特征的配准方法往往对图像分辨率、边缘、背景噪声等较为敏感导致配准精度较低甚至失败,如何消除分辨率和光谱差异、提高配准精度是亟待解决的问题;同时,基于深度学习的红外与可见光图像配准算法在嵌入式或移动端等计算资源有限的设备上部署和应用也是一个具有挑战性的任务。本文针对红外与可见光图像配准进行算法研究,结合深度学习在计算机视觉领域的显著优势,构建出一种通用且高效的红外与可见光图像配准框架,并采用边缘设备部署方式实现了安卓平台的部署应用,主要工作总结如下:第一,针对红外与可见光图像分辨率、光谱差异过大以及手工特征配准精度低的问题,本文提出一种先目标检测后模态转换再光流变形的图像配准网络框架MTFRN。该框架是一种三阶段的网络结构,由YOLOv5检测模块、模态转换模块和光流场模块构成。首先,由于缺乏公开的红外与可见光图像配准数据集,本文构建了五种类别的数据集,每种类别100对图像,共1000张图像。考虑到可见光图像背景复杂、目标尺寸不确定,该框架首先利用YOLOv5模块检测出可见光图像中的单目标并裁剪缩放;考虑到红外与可见光图像色彩差异巨大,该框架接着利用条件生成对抗网络并结合SSIM测度进行模态转换,由裁剪缩放后的可见光图像生成伪红外图像以减小色彩差异;考虑到手工特征迭代产生的变换参数表达能力弱使得配准精度低甚至失败,该框架最后采用光流场网络并结合SSIM测度进行像素层的空间位置变换。实验证明本文提出的MTFRN框架在红外与可见光图像配准任务中具有更好的配准效果。第二,针对基于深度学习的红外与可见光图像配准算法在嵌入式或移动端等计算资源有限的设备上部署和应用困难的问题,本文采用边缘设备部署方式实现了MTFRN算法的安卓平台部署应用,具有无需联网、高效等优点。首先,进行了配准系统的需求分析,包括系统功能性和非功能性需求分析。其次,利用开源前向推理框架NCNN、Android NDK和JNI接口等技术实现了前向推理模型的构建和后处理。然后,阐述了系统中每个模块的详细设计与实现。最后,从功能和性能两个方面对MTFRN系统进行了测试。综上所述,本文提出的全新红外与可见光图像配准网络框架MTFRN,能够有效解决红外与可见光图像分辨率、色彩差异过大以及手工特征配准精度低的问题,提高了复杂场景下的配准精度和鲁棒性,具有创新性;同时,将所提算法应用于生产实际,实现了基于深度学习的红外与可见光图像配准安卓平台的设计和开发,促进了图像配准的实际应用。