图像配准是将在不同的传感器或不同的拍摄条件(如光照、角度等)中获得的同一场景的两个或多个图像“叠加”的过程。图像配准是准确获取图像信息的重要组成部分。由于可见光图像与红外图像在成像上的场景信息具有互补的特点,所以将红外传感器和可见光传感器结合从而获取精确丰富的图像信息是当前研究的热点,但因为两种传感器的成像机制不同,导致可见光图像与红外图像之间存在较大的差异,增加了图像配准的难度。同时图像配准被广泛应用在各个重要领域,如医学图像处理、交通、遥感、军事等,所以对图像配准的速度要求越来越高。近年来,GPU技术的快速发展,成为许多重要领域的高性能并行算计算的首选。如何实现快速、精确的可见光与红外图像配准是当前多源传感器图像配准的热点和难点问题。本文基于GPU平台实现可见光与红外图像的配准,主要内容如下。针对可见光与红外图像分辨率的差异,使用双线性插值进行红外图像的放大。分别对可见光与红外图像进行SURF特征点检测,并对传统的基于像素灰度值梯度的SURF特征描述子应用于红外图像进行特征描述的不适用性的原因进行分析,本文利用局部自相似性描述子可以描述目标局部形状信息的特点,对同一场景的可见光与红外图像检测的特征点进行描述。在特征匹配阶段,针对最近邻法进行特征匹配时识别误匹配能力较差的问题,本文使用双向匹配进行约束。本文针对可见光与红外图像配准算法运算效率低的问题,在深入了解算法原理的基础上,基于CUDA编程以及纹理内存、常量内存、共享内存等不同层次的优化手段,对算法中包含的SURF特征检测、局部自相似性描述子和最近邻法结合双向匹配约束的特征匹配进行了并行化设计。本文在多个场景下对所设计的可见光与红外图像配准算法的并行实现进行了性能评价。无论是从主观视觉或者是从客观指标的评价来看,本文算法相较于其他配准算法,取得了更好的配准精度。相比于串行算法,本文设计的并行算法可以在保证不丢失精度的前提下,显著提升算法的效率,获得了良好的加速比。