影像配准是指匹配或重叠在不同时间、不同传感器或不同条件下获取的两个或多个影像的过程。传统的配准算法如尺度不变特征变换(scale-invariant feature transform,SIFT)等在一般影像配准领域已经取得较好的成果,但由于遥感影像范围大、地物杂、光谱多,高光谱影像更是具有数百上千个光谱通道,使用传统的算法对其进行配准,无法提取具有判别性的高鲁棒性特征,配准时往往会出现提取特征点少、错误匹配多甚至无法配准等缺点。深度学习中的卷积神经网络具有良好的特征提取能力,随着网络层数不断加深,能提取到具有鲁棒性的高层语义特征,更适用于高光谱影像配准。因此本文使用基于深度学习网络模型的方法,对高光谱影像进行配准,主要对数据预处理、特征提取和特征匹配三个过程进行模型设计和优化,提高影像的配准精度。实验结果表明:与传统的人工特征配准算法相比,本文基于深度学习网络模型的配准算法,能实现对高光谱遥感影像的配准;与现存的深度学习配准算法相比,本文设计的特征提取网络能提取到高光谱影像具有更高鲁棒性的特征;本文优化的特征匹配策略,能明显提高特征点对的正确匹配率。本文从数据预处理到模型设计,实现了基于深度学习网络模型的高光谱影像配准,主要完成了以下工作:(1)使用基于深度学习的数据降维网络——堆栈自编码器(stacked autoencoder,SAE)对高光谱影像进行降维处理,目的是提取具有丰富空间和光谱信息的特征波段输入配准网络,减少网络参数,提高网络的配准效率。(2)设计出改进的特征提取网络,针对高光谱影像空间分辨率低、特征不明显的特性,以VGG网络为基础网络,适当加深网络层数,并加入残差学习模块(deep residual network block,Res Net),使得网络层数加深的同时有效克服梯度消失问题,能提取到更有利于影像配准的特征,增加其鲁棒性。(3)优化特征匹配网络,使用联合优化损失函数,将特征提取和特征匹配的结果进行联合优化,使特征匹配网络的结果对特征提取进行负反馈,指导特征提取过程,从而提高整个配准网络的配准能力,同时实现了不需要人工干预的端到端的影像配准。