图像配准是对同一目标场景在不同条件下所成的两幅或多幅图像进行匹配，进而寻找到图像间的变换关系，然后利用变换关系对图像进行叠加的过程，这是图像融合、镶嵌、重建等操作的基础。多光谱图像的理论基础在于:对于不同波段的光谱，不同的物体会对这些波段光谱进行选择性的吸收、反射以及辐射。因此，多光谱图像包含有目标景物丰富的光谱信息。在图像配准的过程中，需要提取图像的特征、构建与之对应的描述符、特征匹配、计算变换矩阵等操作，过程繁琐，难度较大，因此，基于多光谱图像的配准技术研究具有重要意义。　　SIFT算法是一种较为经典的基于图像局部特征的匹配算法，该算法不仅具有旋转、视角、尺度、光照等不变形，而且对目标的噪声、运动以及遮挡等因素都可以保持良好的匹配效果。本文将SIFT算法引入到图像配准中，并对其进行相应改进，使其更好地适用于多光谱图像。　　针对多光谱图像在各谱段配准时需要兼顾速度与精度的问题，本文从以下几个方面对SIFT算法进行改进。针对SIFT算法特征描述子维数过高，导致匹配速度过慢、匹配率低等问题，使用同心圆环的放射状分区替换SIFT的棋盘格状分区，并对其进行合理分块，最终实现对描述子降维的目的。在SIFT特征匹配方面，充分利用匹配点对的位置信息，提出相对尺度和相对主方向的概念，并结合匹配点对的空间距离信息剔除部分匹配点对，提高了算法的运行效率和准确率。　　采用SIFT得到的初始匹配点集合通过RANSAC算法几何校验能够有效地滤除错误的匹配，进而使结合RANSAC的SIFT算法性能更加优良。然而RANSAC具有迭代次数多、运行效率低、单应性矩阵模型精度低等缺点，因此需要对其进行改进:在采用SIFT算法完成初始特征匹配的基础上，采用合适的方法减少匹配点集中元素的个数，从而提高正确匹配点在集合中所占的比例，然后采用预检验快速舍弃不合理的初始参数模型，从而极大地减少了算法的迭代次数，提高了算法的运行效率和估计精度。