近年来随着成像技术的发展,获取图像的手段和途径也更加丰富。不同传感器获取到的异源图像有各自不同的优势,同时也有各自的局限性。同时利用多种异源图像可以有效提高计算机视觉中许多任务的效果。在实际的任务中能够使用异源图像的前提是需要对异源图像进行配准,图像配准的精度会直接影响下游任务的效果。因此,实现高精度的异源图像配准有着非常重要的意义。在异源图像配准中,除了传统图像配准中的视角、旋转、剪切变化之外,还有由于成像原理不同带来的图像外观风格差异的问题。本文针对异源图像配准问题进行了研究,主要内容如下:1.基于特征分解模型的异源图像配准。针对异源图像中语义信息与模态信息混叠导致难以提取到判别性描述子的问题,本文提出了一种特征分解网络模型FDNet。该模型将图像块的特征分解为共有特征和私有特征,在特征匹配阶段只使用共有特征进行匹配以剔除私有特征的干扰。在FDNet的优化中使用匹配学习、对抗学习和重构学习。匹配学习通过困难样本挖掘策略和三元组损失函数优化网络,使得网络可以提取到具有高度判别性的描述子。对抗学习通过对抗训练来约束异源图像共有特征的一致性。重构学习旨在保证学习过程中图像特征的完备性,确保在特征分解过程中没有信息被丢失。实验结果表明该方法有效提升了异源图像块匹配和异源图像配准的效果。2.基于深度回归的异源图像配准。基于关键点的图像配准方法依赖于关键点的数量、质量和描述子的质量。当关键点的数量和质量受到影响,配准的效果将会大幅下降。基于回归的图像配准方法利用整幅图像进行回归,最终计算出变换参数,不受关键点数量和质量的影响,因此本章使用基于回归的方法进行配准。但是由于异源图像强度分布差异巨大,导致基于回归的方法收敛缓慢且难以得到较为精确的结果。针对该问题,本文提出了一种基于深度回归的双阶段配准模型THNet。首先在阶段一中使用一个较浅的网络对待配准图像和参考图像进行一次粗略的回归,利用回归的结果对待配准图像进行校正。将校正后的结果与参考图像输入第二阶段的深层网络继续进行回归,最终得到精确的回归结果。实验结果表明,THNet在异源图像配准中取得了显著的效果。3.基于全局注意力的异源图像配准。卷积神经网络（Convolutional Neural Network,CNN）有助于提取到图像的细节、纹理特征,但是其只能关注到局部的图像信息。由于遥感图像内容的局部相似性,仅关注局部特征可能对估计角点偏移量带来误差。针对该问题,本文提出了一种融合局部信息与全局上下文信息的网络结构SHNet来进行异源图像配准。首先,利用浅层网络进行一次粗略回归,利用回归的结果对待配准图像做一次校正。然后将参考图像与校正后的待配准图像输入阶段二的深层网络,在阶段二的网络中,CNN分支负责提取图像的局部特征,transformer分支负责提取图像的全局特征。然后利用特征融合模块将局部特征与全局特征融合后进行回归预测。实验结果表明,SHNet进一步提升了异源图像配准的效果。