本研究提出了一种基于全局-局部对应关系评估和空间变换更新的配准算法(Global-local Correspondence and Transformation Estimation,GL-CATE)。在GLCATE算法中,逐点欧氏距离和形状距离(Shape Distance,SD)被分别用作全局和局部特征。其中,形状距离SD经由椭圆高斯模糊计数策略产生,可以在一定程度上克服原始形状上下文特征对相似邻近结构缺乏辨识能力的缺陷。借助SD的帮助,算法所构建的混合特征高斯混合模型(Mixture-feature Gaussian Mixture Model,MGMM)可以令源点集在配准初期获得较好的起始姿态,并最终实现可靠的对应关系评估。两种特征的搜索半径经由一个双向确定性退火进程所控制,以对两种特征的主导地位进行更迭,实现“由局部到全局”的配准策略。GL-CATE采用EM算法——统一的优化框架——进行参数评估。在E步骤,后验概率矩阵经由测量混合特征的相似性而得出。在M步骤,能量函数的期望在再生核希尔伯特空间中被最小化。本研究构建了一项局部结构约束项(Local Structure Constraint,LSC),它与基于运动一致性理论(Motion Coherence Theory,MCT)的全局结构约束项优势互补,共同在全局和局部尺度上提升空间变换更新的精度。本研究在轮廓配准、序列图象、真实图像、医疗图像、指纹图像和遥感图像配准中测试了GL-CATE算法,并与8个流行算法进行比较。实验结果显示,GLCATE在大多数情况下胜过其他算法。低空小型无人机航拍图像存在的大角度变换导致图像对之间的低重叠率和非刚性畸变。本研究在GL-CATE算法的基础上,提出一种用于基于特征的低空小型无人机非刚性图像的配准算法(Correctness Refining Scheme,CRS)。CRS算法的核心思想是在维持关于内点的高特征匹配率的同时,尽可能利用冗余点来引导网格图像的形变。借此,可以同时获得图像重叠区域的精确形变和非重叠区域关于真实形变的良好近似。本研究使用42对小型无人机图像进行特征匹配和图像配准实验。与另外4个流行算法进行的对比实验显示,CRS算法即使在冗余点率接近0.8的情形下仍然表现良好。