作为一种新兴的空间对地观测技术，机载LiDAR(Light Detection And Ranging，LiDAR)测量技术获得了人们极大的关注，它可以获取多等级、高分辨率的三维空间信息，而光学影像具有丰富的光谱纹理信息，因此如何将这两种数据进行融合以弥补单个数据源的缺陷，成为了空间对地观测的一个重要的研究方向。　　本文重点探讨了基于深度图的机载LiDAR点云数据与可见光图像的自动配准融合技术，并进行了实验分析，研究内容可分为两部分:一部分是如何获得点云数据与可见光图像的深度图，另一部分是深度图的线特征自动配准算法研究。针对普通图像配准时容易出现的背景噪声多且杂、特征不突出的缺点，对点云图像与可见光图像的深度图做了深入的研究，采用数学形态学滤波算法以及Delaunay算法结合灰度映射获取点云数据深度图，对可见光图像则采用基于分割和自适应支撑权重稠密立体匹配算法结合对极几何估计得到深度图，克服了在普通图像配准时鲁棒性差、配准精度低的缺点;针对手动配准工作量大、费时，点特征配准算法特征不易提取，且两者普遍依赖GPS/INS等初始位置先验的问题，提出了一种基于线特征的自动配准算法，引入线特征两线夹角与线长比率作为相似性测度进行粗匹配，并通过两步RANSAC算法剔除错误匹配点对以提高配准精度。文章最后将此算法与手动配准、点特征配准与3CS算法进行了对比试验。实验验证，此算法对GPS/INS等先验无依赖，鲁棒性好，算法自动配准程度高，特征更易于提取，不依赖于对场景的强特征（点、线等），同时具有较高的配准正确率。