SAR图像具有全天候工作,穿透力强等优点,被广泛应用于气象分析,地质勘测等领域。SAR图像的配准是许多SAR图像处理应用必不可少的步骤之一,因此,关于SAR图像配准技术的研究在当今社会具有非常重要的研究价值。由于SAR图像特殊的成像机理和成像条件,使传统光学图像的配准方法不适用于SAR图像,因此基于SAR图像的配准方法已经成为图像处理领域研究的热点之一,并得到快速发展。本文在国家高层次人才特殊支持计划(SAR图像解译与目标识别),国家自然科学基金面上项目(基于生成对抗网络的极化SAR地物分类,61771379)等项目的支持下,以基于特征的图像配准方法为基础,结合深度自学习,提出了三种基于深度自编码网络的SAR图像配准方法,内容如下:1.通过实验说明SIFT特征在SAR图像中存在的问题,如SIFT特征不再具有旋转不变性,不满足最近距离匹配等。针对特征提取的这些问题,基于自编码网络无监督的对图像进行特征提取,网络的输入为以特征点为中心的图像块,输出作为对图像的特征描述,然后度量特征得到匹配点对,完成配准。该方法避免了人工设计特征的复杂操作,对于不同数据,可以自适应的提取特征进行匹配。与SIFT相比,可以得到更多数量的正确匹配点对,并且提高了匹配点对的准确度,从而提高了配准的精度。2.由于自编码网络对图像数据进行编码和重构是无监督过程,网络参数的更新与特征的匹配结果没有关系,因此在实际应用中,容易造成对于地理形状相似的图像块所提取到的特征也过于相似的问题,不利于匹配。为解决该问题,基于自编码网络有监督的完成配准,即引入有标签数据指导网络的训练。同时为了更好的学习数据分布,有效利用数据,引入迁移学习,使用源数据进行预训练,再使用目标数据进行微调。利用该方法进行网络训练之后,能够直接得到测试图像中特征点的匹配结果,而不需要再进行距离度量。该方法可以得到更多数量的正确匹配点对,并且更加精确,均方根误差更小,进一步提高了配准的精度。3.有监督网络训练包括预训练和微调两个过程,与无监督自编码网络相比在配准精度有所提高,但是训练过程仍较为繁琐,训练时间长。为提高网络训练的效率,本文基于有监督网络的训练过程,采用将预训练和微调结合起来同时进行的方式进行训练,即将交叉熵和重构误差结合构造损失函数,并通过不同的权重决定每部分在训练不同阶段的作用。该方法与有监督网络的训练相比,简化了训练过程,同时保证了正确匹配点对的数量,保证了匹配点对的准确度,不降低配准的精度。