从海量遥感图像中获取信息并应用,是遥感工作的最终目的。经过近几十年的发展,航空遥感由军事应用多转为民用技术层面,特别是一些航拍图像,在地质监测、农业领域发挥了巨大作用。在特定的观测任务中,由于航空相机传感器的尺寸、飞行高度等因素的限制,大部分从卫星或飞机通过摄像、摄影采集到的遥感图像需要经过图像配准到统一坐标系后再处理和应用。本文针对无成像参数和其它先验信息的遥感影像,分析比较了图像配准的主要方法和流程,对基于特征点的遥感图像配准方法和架构进行了改进。论文主要工作如下:(1)针对遥感图像普遍具有的数据量大,边缘成像差异大等特点,对线性的仿射变换参数进行非线性优化,采用了一种由粗到精的分块优化配准算法。该方法将复杂的参数优化模型简化为图像切片形式,降低了配准的复杂度,提升了传统遥感图像配准的速度与精度。(2)针对遥感图像特征点坐标的测量误差不等精度分布的特点,在图像分割基础上,将变量含异质噪声(HEIV)模型应用于配准参数估计,通过对各区域的特征点赋予不同的权重,得到改进的图像配准仿射变换参数,从而使感兴趣建筑区域的配准精度提高了16.67%。(3)融合基于LIFT特征点提取与MC-CNN混合模型的卷积神经网络,构建了特征提取和深度学习相结合的遥感图像配准框架,该方法利用训练好的网络结构对遥感图像进行点特征的提取与配准,简化分割流程,提高了配准的速度和精度。