随着成像传感器技术日新月异,单模态传感器的成像信息有时难以满足人们在新时代应用场景需求,多模态传感器成像系统协同应用逐渐发展成炙手可热的技术。不同模态传感器的协同应用,可实现不同模态传感器之间的信息互补,提高多模成像系统的探测性能。在应用工程研究中,针对红外和可见光图像融合的研究最为广泛且有重要应用价值。因为两种模态的成像信息优劣互补,可以获取丰富清晰且满足需求的目标信息描述。红外图像主要获取目标热辐射能量信息,却在纹理结构细节方面有所损失,而可见光图像以纹理细节见长。将红外图像和可见光图像精确配准,是实现这两种模态图像融合的前提条件,因此,展开多模图像配准技术研究,具有重要的研究意义。然而,在多模图像配准过程中,由于不同模态相机往往参数存在差异,使得人们时常面临两个问题:（1）物距不同的目标,其所在区域的配准参数存在明显差异,无法实现全局精准匹配,使得研究者的某些感兴趣区域配准失败。（2）对于图像配准的自适应实现需求。解决第一个的问题可以从硬件入手,匹配不同模态相机的内参外参,缺点是成本过高。也可以从应用目标出发,仅对感兴趣目标所在的感兴趣区域进行精准匹配,使得感兴趣的区域不因全局配准不统一而导致失配。解决第二个问题即研究自适应的配准方法,同时需要在客观的评价指标中占优。本文将围绕这两个技术问题展开研究。本文以红外和可见光图像作为多模图像配准的实验对象。首先,针对不同物距下的物体配准参数差异问题,将目标检测与图像配准相结合,以人体为感兴趣目标,人体所在小区域为感兴趣区域展开研究。其次,针对自适应配准问题,本文研究了掩膜提取与深度学习特征点匹配相结合的方法,采用深度学习特征提取技术标记增强特征点,基于不同图像的掩膜,剔除背景中无效关键点,进一步提高特征点的匹配精度。将正确匹配的特征点对用于单应性参数计算,实现图像的初步配准。针对初步配准结果,其配准评价若相较原始图像对重叠而言效果有所提升,则利用强化学习进行配准修正,实现深度学习和强化学习结合参与精细化配准。若配准评价下降,则将相对应的多模图像感兴趣区域以重合的形式,直接进行强化学习配准,牺牲配准时间以求配准成功。