遥感图像配准技术是一种通过寻找图像间的最佳几何关系,并将图像进行对齐和叠加的处理过程,该技术在城市变化检测、地震预测和环境监测等大型遥感检测系统中发挥着重要作用。由于传统的遥感图像配准技术存在人工成本过高、适用性较窄和缺乏自学习能力等问题,本文提出了基于深度学习的端到端的遥感图像配准框架的解决方案,以提高配准结果的准确率、配准效率和配准模型的适用范围。本文的工作主要包含以下两个方面:1.提出一种参数合成空间变换网络的方法对遥感图像进行一致性配准。由于空间变换网络自身具有空间注意力机制,能够寻找到图像空间中的关键性区域,以减少不必要特征的干扰。所以本文以空间变换网络作为骨干网络进行改进,然后使用预训练的残差网络对检测到的关键性区域进行特征提取。并将提取到的特征输入到匹配框架中,构造源图象和目标图象之间的双向匹配关系。随后,双向的匹配关系被送入回归网络中预测出两个方向的变换参数。最后对双方向的变换参数加权合成后作用于源图像进行仿射变换,得到最终的配准结果。2.提出一种双视野循环注意力的双向对称性网络进行遥感图像配准。本文采用空间注意力、通道注意力机制与预训练网络结合的方法对图像进行特征提取操作。为了提高注意力机制的准确性,本文对空间注意力机制设置不同的视野以提高对图像中关键区域的寻找能力,并加入逆向合成结构,对先验参数不断优化,提高了变换参数的精度。然后将特征提取部分获取的特征输入到特征匹配网络中,得到图像间不同方向的皮尔逊相关关系。最后通过回归网络预测配准参数,对待配准图像进行变换,输出配准结果。将本文提出的算法与业界近几年提出的基于深度学习的配准模型和经典的传统方法在公开的数据集上进行对比,论证了本文提出算法在配准效率、配准精度和适用范围上的优越性。