图像配准是将不同时间、不同传感器或不同视角下获取的同一场景的两幅或多幅图像进行匹配的过程,是数字图像处理领域的一个基本问题。综合现有的文献,可以把用于图像配准的方法大致分成三类:第一类是基于灰度的图像配准方法,该类方法利用图像的全部灰度信息来进行配准,配准精确,但是计算量大;第二类是基于变换域求解的图像配准方法,该类方法主要运用了傅里叶变换的一些主要性质,在图像噪声存在的情况下表现优良,但只适用于比较简单的图像变换模型:第三类是基于特征的图像配准方法,该方法将对整个图像进行的各种分析转化为对图像特征的分析,提取并匹配图像特征以找到图像间变换参数,其精度虽稍逊于灰度类方法,但是它大大减小了整个图像配准过程中的运算量。图像配准研究的核心问题在于提高配准的速度和精度,以及加强算法的鲁棒性和稳定性,使图像配准技术更符合实时应用的需要。本文着重研究了基于特征的图像配准方法。该类方法通常包含两个步骤:第一步是从参考图像和待配准图像中提取用于配准的图像特征;第二步则是找出由第一步得到的特征之间的匹配关系从而找出整幅图像间的变换参数。针对第一个步骤,本文分析了现有的一些特征提取方法,重点研究了常用的角点检测方法,采用了改进的Harris角点检测算法来检测图像的特征信息并自动提取有效的角点位置。特征的匹配精度直接影响到整个配准过程的精度,找到正确匹配的同名特征对是非常重要的,因此第二个步骤对于基于特征的配准方法来说是最为关键的一步。针对这一步骤的实现,本文提出了一种基于二维Gabor小波变换和动态规划法的特征点匹配算法。二维Gabor小波变换能将某邻域内的像素联系起来,从不同的频率尺度和方向反映局部邻域范围内的灰度变化。该算法就引入了二维Gabor小波变换将原本孤立的像素灰度集合映射到特征空间进行处理。利用多个二维Gabor小波模板对图像进行Gabor滤波,从多幅滤波后的图像上提取角点位置处的复Gabor小波系数,该系数描述了角点位置附近区域的灰度特征;提取角点复系数中的幅值信息,对每一个角点都建立包含多个数据的幅值序列,将此幅值序列作为匹配角点对的依据,将对角点的匹配转化为对角点幅值序列进行的匹配。在此过程中,本文引入了经典动态规划算法中的最长公共子序列问题作为衡量角点幅值序列间相似性的标准,认为具有最大最长公共子序列长度值的两个幅值序列所对应的角点是匹配的角点对。本文通过对不同图像进行大量的实验,证明了该算法的有效性。最后对本文的工作进行了总结,并针对本文将来仍需要深入研究和开展的工作进行了展望。