图像配准就是将不同时间、不同传感器、不同视角及不同成像条件下获取的同一场景下的多幅图像进行匹配和叠加的过程。它是数字图像处理的关键技术之一,在许多方面都有着很广泛的应用和研究价值,比如在计算机视觉、遥感数据领域、医学图像领域等。随着现代科学技术的发展,人们获取图像的方式越来越多样化,但是不同传感器获取的遥感图像具有差异性和局限性,因此对于遥感图像的配准具有一定的难度。所以针对遥感图像不同特征,提出不同的配准方法。总体分为三大类:基于灰度信息的配准、基于变换域的配准以及基于特征的配准。如今,研究学者对于图像配准技术的精度要求越来越高,通过对现有的遥感图像配准技术的研究,以及对实验问题的分析,本文提出了以下两种可以提高匹配精度的遥感图像配准方法:针对遥感图像受噪声影响严重的问题,提出一种基于各向异性尺度空间的多特征点遥感图像配准方法。该方法首先使用各向异性尺度空间代替传统的高斯尺度空间,不仅可以达到去噪效果,而且还可以有效的保留边缘细节信息。然后利用基于二阶矩矩阵的Harris算子进行角点检测,利用Hessian矩阵进行纹理特征检测。通过这两种检测算子,使得到的特征信息更加全面和丰富,同时增加了特征点数量。最后根据一种聚类方法将图像灰度信息分为两类,在不同类上分别进行特征匹配,得到最佳变换矩阵,根据得到的最优变换参数对整幅图像进行配准。实验证明该方法可以增加特征点数目,并能够提高遥感图像的匹配精度。针对传统匹配方法出现误匹配点对多的问题,提出一种基于局部邻域信息的点匹配方法。该方法主要将基于特征的方法和基于灰度的方法相结合,即把特征点自身信息和特征点周围局部邻域灰度信息结合在一起。首先扩大特征点的邻域范围,然后使用一种相似性度量方法对其邻域图像块进行相似性测量,删除不相关邻域图像块对应的特征点对,剩余的特征点便是正确匹配点对。然后在此基础上,提出在相似图像块上增加正确点数量。通过这种新的点匹配方法不仅可以剔除错误点对,也可以增加正确点的数量,总体上提高了配准的精度和效率。