随着我国科技水平的迅速发展,对于基础电力设备的红外图像技术的应用也越来越广泛。由于电力设施所在的环境十分复杂,常处于比较大的电流、比较高的电压以及恶劣的温度、湿度、温差大等环境。要想在复杂的环境下保证安全、高效地运作和可靠地供电,必须有对设备及时地进行检测反馈的系统,包括故障的诊断效能,实时监控效能。在对电力设备以及设施进行实时监测的过程当中,因为有时间的变化,仪器预置点的偏差会影响监测对象的定位、景深效应的透视会使后台图像处理造成漏检和误判。所以必须对其红外图像进行配准,以减少监测过程中的纰漏。作者主要在本文讨论红外配准算法,在红外图像配准的方法之中,用的最多的就是基于特征的红外图像配准。而基于Harris角点匹配的特征匹配方法是其中最常用的一种方法。作者在结合了Fourier变换相位的相关法和基于Harris角点匹配法后,在图像的主运动方向对其做了进一步的修整,可以减少搜索范围包括时段和区域,并可以消除错误的匹配点对。然后利用SIFT算法跟红外遥视图像配准结合,缩短了搜索时间,提高配准效率。最后再用改进的两种方法进行比较,得出前者虽然有一定的适用性,但是有一定的失配现象,而后者能够正确配准图像。在优化了基于Harris角点匹配法的传统配准方法基础上,作者分析如今热门深度学习技术,并与传统图形配准故障诊断方法进行了比较。现阶段两种方法各有优点,可以相互补充、检验来提高电力设备故障诊断的正确率。