图像配准是指,对来自于不同时间、不同方位,或者不同的传感器作用下拍摄的同一场景的两幅图像或多幅图像进行映射、对齐、叠加或者拼接的过程。一直以来,图像配准都是计算机视觉、模式识别、医学图像处理和遥感领域的热点。图像配准技术可广泛应用于:多源遥感数据的融合分析,复杂场景下的小目标运动跟踪检测,图像拼接,地景与地图的匹配,基于模板匹配的目标识别和高程重建等方面。根据使用的方法不同,图像配准可以分为两个大的类别,基于区域或者灰度的方法以及基于特征的方法。其中,基于特征的方法在较为广泛的领域内取得了应用,在图像发生光照变化、刚性变换甚至仿射变换时都具有较高的鲁棒性和运算效率。本文研究了基于特征的图像配准工作中的关键技术,着重围绕特征提取、特征描述和变换矩阵估计三个问题进行了深入的分析和研究,主要创新性成果如下:提出了一种基于墨西哥帽函数的特征检测算子,在其基础之上提出了基于特征点分组和匹配的图像配准算法。首先使用墨西哥帽检测算子进行图像局部区域特征的提取,并对局部区域特征进行初步匹配操作。然后使用该算子在尺度空间上进行特征点的检测,将获得的特征点按照图像局部区域特征进行分组,在已经匹配成功的局部区域内进行特征点集的匹配操作。最后使用随机采样一致性检验进行误匹配点的删除和图像变换矩阵估计。提出了一种基于局部二值模式的特征点描述方法。通过同值分割吸收核对特征点进行筛选,将符合同值分割吸收核判定的点定义为同值分割点。对同值分割点使用多层的统一局部二值模式进行描述,该描述方法称为同值分割局部二值模式描述子。该描述子结构简单,易于实现,大大降低了局部二值模式描述子的特征描述维度。基于最近邻的特征点描述方法存在对特征点描述不够精确的缺点,并且基于最近邻的特征点匹配算法在外点剔除的过程中,运算复杂度较高。针对这些问题,提出了一种基于特征点空间结构的特征点描述方法。首先利用距离上的投票策略对特征点进行初步的匹配,对匹配成功的内点集合取其均值,将该均值点定义为全局参照点。将全局参照点与特征点之间的位置关系作为特征点的属性之一,按照人工神经网络中的排列顺序编码定义特征点间的连接权值和排列顺序,以此达到对特征点的描述。该描述方法称为全局参照角序列描述子。最后,提出了一种结合DAISY描述子和全局参照角序列描述子的图像配准算法。图像配准目标函数的估计可以转化为一个包含两部分最优解的目标函数优化问题。目标函数的两部分最优解,一个是最大数量的匹配特征点对,一个是最高精度的图像变换矩阵。可以使用两种不同的特征点描述方法来对这两部分进行分别求解,首先使用基于灰度直方图的描述子,比如尺不变转换特征描述子,来获得图像变换矩阵,然后使用基于空间结构的特征点描述子来获得匹配特征点。将该方法应用于传统的基于特征点匹配的图像配准算法,可以有效提高图像配准的精度和效率。