随着图像拼接的应用范围越来越广,复杂场景下的图像拼接成为研究的热点。目前的研究方向主要分为传统图像处理算法方向与深度学习算法方向。这些算法都围绕图像拼接的基本框架进行改进与创新。图像拼接基本框架包含图像对齐、图像融合两个阶段。本文也围绕图像对齐与图像融合分别对传统图像处理算法与深度学习算法提出了改进。在传统图像处理方向,本文提出了两个改进。图像对齐模型从最初的全局单应矩阵发展为受一定约束的网格变形模型。但是在特征点分布不均匀的场景,网格变形也带来了画面扭曲的问题。针对此问题,本文提出一种几何结构约束的网格变形算法。在点特征的基础上,引入了线段特征。一方面通过线段匹配实现更精确的局部对齐,另一方面通过三点共线维持线段结构在网格变形过程中的线性,从而尽可能保持图像原始的几何结构。而在图像融合阶段,缝合线最大流最小割求解模型,从最初的基于图像像素值梯度的平滑项,发展到了基于感知的平滑项。但是对于视差较大的场景,求解的缝合线仍然可能缝合错位。为了减少错位,本文提出了一种缝合线迭代优化算法。首先引入结构相似度来定义图像块对齐程度,一方面定量地评估缝合线优劣,另一方面则能更新缝合线求解模型中的平滑项,实现迭代优化。同时考虑到人眼对纹理强弱的感知程度,本文还将自适应显著度作为平滑项的权重,进一步完善缝合线求解模型。本文将改进的网格变形算法与改进的缝合线求解算法相结合,提出基于网格变形对齐的缝合线迭代优化算法,从而提升最终的拼接质量。在深度学习方向,本文基于视频插帧网络RIFE（Real-Time Intermediate Flow Estimation for Video Frame Interpolation）,提出了一种基于网格变形粗对齐与融合权重图的图像拼接网络RIFE-edge,该网络适用于一般条件的输入图像,并且能输出细节清晰的拼接图像。深度学习在图像拼接领域仍然处于起步阶段,目前为数不多具有代表性的工作为LCAnet（Video Stitching for Linear Camera Arrays）与VFISnet（A view-free image stitching network based on global homography）。但是上述两个网络均受到一定约束,不能直接处理传统算法中常用到的数据。为了搭建一个适用性更广的网络,本文首先对输入图像进行网格变形粗对齐,将对齐后的图像相互覆盖叠加,作为融合网络的输入,通过融合网络输出的融合权重图来叠加经过双向光流引导变形的图像,得到光滑过渡的拼接图像。同时为了提高拼接图像的质量,本文新增了边缘特征分支,优化融合图像的细节,并提升融合图像重叠区域的清晰度。