图像配准算法旨在将不同拍摄条件下(传感器、天气、光照、拍摄角度)获取的参考图像与待配准图像进行匹配、叠加。近年来,随着计算机技术的发展,图像配准算法被广泛应用于医学、遥感数据分析、计算机视觉等众多领域。其中,基于特征点的图像配准算法是当前图像配准领域主要研究方向,具有非常广阔的应用前景。因此,本文将继续深入研究基于特征点的图像配准技术。基于特征点的图像配准算法依次包含参考图像与待配准图像的特征点提取、特征点匹配以及图像变换等关键步骤。根据以上关键步骤,针对现有方法的问题与不足,本文深入研究参考图像与待配准图像的特征点提取与特征点匹配问题,改进两者以加强图像配准整体性能表现。本文的主要研究内容如下:1)在特征点提取方面,许多现有方法基于图像局部特征实现,并以“Detectthen-Describe”的形式依次完成特征点检测与描述任务。而无论传统方法或深度学习方法,若仅仅利用图像局部特征完成特征点的检测与描述工作,不但会导致特征点检测精度受到图像稀疏噪声的影响,而且会使特征点描述子之间存在不可辨别性问题。其中,图像稀疏噪声往往是图像采集过程携带,或是受光照、阴影、杂物遮挡等因素导致的。从数学建模角度来看,“纯净”图像往往位于低维流形子空间中,因此特征点提取图像可以被表示为位于低维流形子空间的“纯净”图像与稀疏噪声叠加形成。同时,由于对自然图像难以准确完成特征点的人工标注,导致相应的标注数据不足或标注错误等问题出现。因此,在特征点提取研究中,本文构建基于低秩子空间划分的深度网络模型(Low-Rank Deep Network,LR-Net),利用低秩子空间划分技术获取位于低维流形子空间中的“纯净”图像信息,以高效方式提取鲁棒的图像全局几何结构特征,使图像局部特征与全局几何结构特征相结合,最终通过构建有效的特征点检测模块与特征点描述网络以“Detect-and-Describe”的形式同步完成特征点的检测与描述工作,实现了存在遮挡、阴影等稀疏噪声情况下的特征点鲁棒提取,并以自监督方式完成模型训练,大大降低了训练数据的标注成本,避免了错误标注的干扰。2)在特征点匹配方面,现有方法往往通过度量特征点描述子的相似度完成初始匹配工作。然而由于特征点的定位误差、描述错误等问题,特征点的初始匹配中存在着大量的误匹配样本,需要进行特征点匹配优化。因此,当前特征点匹配工作主要包含特征点初始匹配与特征点匹配分类(即特征点匹配优化)两个主要部分。其中,特征点匹配分类依赖于特征点匹配样本的全局特征与局部特征,以获取匹配样本间的空间变换一致性。然而,由于特征点匹配样本的不规则分布问题,导致难以直接提取有效的全局特征与局部特征。因此,本文的特征点匹配研究将在完成特征点初始匹配的前提下,基于深度学习方法提出了一种端到端的特征点匹配分类层级网络LC-Net。该网络通过引入全新的局部关联模块,创建特征点匹配样本间的关联矩阵以聚合强关联的特征点匹配样本,再通过卷积层与上下文正则化方法结合搭建基础残差网络模块有效提取匹配样本的局部特征与全局特征,最终实现了准确、稳定的特征点匹配分类,为图像配准奠定了良好的基础。最后,本文将以上研究内容集成为一个图像配准方法,实现了噪明变化、视角变化等复杂变化场景下的鲁棒、准确的图像配准,相较于现有方法,实现了明显的提高。