图像配准是数字图像处理领域的基本问题,用于比较或融合针对同一对象在不同条件下获取的图像,包括对象或场景识别、根据多张图像的3D建模、立体匹配以及运动追踪等,它是图像从获取到分析过程中的重要步骤。图像配准技术在诸多方面,例如机器视觉、医学图像处理、军事领域以及材料力学等领域都有广泛的应用。本文主要研究基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)的图像特征匹配算法。SIFT算法提取的特征点对图像的相似变换无关,对光线、噪声、微视角改变有较好的容忍度。但是SIFT特征点描述子同时具有计算复杂、维数高、匹配速度慢等缺点。对此,本文提出了一种基于向量内积的最近邻搜索算法。首先引入合适的、随着待检索点动态变化的参考向量,通过直接提取特征点描述子矩阵的数据来获得样本集与它的内积,排序所提取的数列。然后,确定待检索点与向量的内积,在对应的内积序列中查找位置,确定以所在位置为中心的近似搜索范围,由范围内的近似最近邻搜索代替在样本集中的全范围搜索,以较小的准确度损失为代价,大幅提高搜索速度。为了验证本文算法的有效性与优点,将算法与常用的近似最近邻搜索算法KD-BBF算法对牛津大学VGG实验室的图片测试库进行了试验对比,并从匹配速度、正确匹配数量、准确度三方面进行比较评估。试验结果表明,选择适当的近似最近邻搜索范围,本文算法相比于KD-BBF算法显著提升了的搜索速度,而只付出了损失较小正确匹配数量的代价。同时,本文还利用所提出的算法完成了图像融合实验,在两幅图像具有较大幅度的相似变换,以及小量的仿射与投影变换的情况下,获得了良好的融合结果。