图像配准是遥感、医学、计算机视觉等很多领域中的一个基本问题。在遥感领域,图像配准是实现图像融合、变化检测、图像校正、图像镶嵌等应用中必不可少的一个关键步骤。由于遥感信息量大,应用范围广,因此实现自动配准一直是人们追求的目标。提取和匹配图像特征点是实现图像自动配准的一种重要方法。本文首先对各种常用的特征检测算法进行研究。在详细分析各算法的优劣之后,确定SIFT(尺度不变特性变换,Scale Invariant FeatureTransform)作为无人机遥感图像配准中使用的特征点提取算法。SIFT是一种多尺度特征提取方法,通过构建高斯差分尺度空间(DOG,Difference of Gaussian scale-space)算法拥有很好的特征提取能力。同时算法还能够产生SIFT特征用以表述特征点信息。SIFT特征对图像的尺度变化和旋转是不变的,而且对光照的变化和图像变形具有较强的适应性,有利于后续的特征点匹配。因此SIFT在遥感领域,实现图像融合、变化检测、图像校正、图像镶嵌等领域有很广泛的应用。由于SIFT算法只考虑点的局部的特征信息,没有分析匹配后特征点对集合的几何分布信息,导致存在部分误匹配特征点。为了提高特征点的匹配精度,减少误匹配点,本文使用矩和马氏距离对SIFT算法得到的结果进行再处理得到改进的特征点对。利用矩和马氏距离处理的对象的层次不同,构建一个多尺度的多次匹配算法。最后利用新的特征点对进行图像的配准。与已有的相关工作相比,该方法可以得到更多更精确的匹配特征点。数值试验证明了该方法的有效性和鲁棒性。