图像配准是指对同一场景下得到的两幅或者多幅图像进行匹配的过程，其实质是一个多参数优化问题。目前图像配准在医学诊断、模式识别、自动导航、计算机视觉等领域得到了越来越广泛的应用。　　图像配准的方法有基于灰度的图像配准方法和基于特征的图像配准方法。基于灰度配准方法中的基于互信息的配准方法，其配准精度一般高于基于分割的方法，且特征提取简单，只对图像本身的信息进行处理，在配准过程中不需要对图像进行分割预处理，并且该方法几乎可以用于任何不同模态下的图像配准。但是这种方法的互信息计算量比较大，并且互信息函数并不是一个光滑函数，这使得基于互信息的图像配准对优化算法的要求比较高。针对上述两个问题，本文将优化算法中的POWELL优化算法和智能优化算法中的基本粒子群优化算法（PSO）、带高斯扰动的量子行为粒子群优化算法（GQPSO）应用到图像配准中，并对其进行实验仿真。实验结果表明，POWELL优化算法收敛速度快，但是搜索结果的好坏跟初始值的选择有关；基本粒子群优化算法在搜索的过程当中容易出现早熟收敛而得不到全局最优解；而带高斯扰动的量子行为粒子群优化算法得到的配准结果精度较高，但是其优化时间比较长。　　针对带高斯扰动的量子行为粒子群优化算法的配准精度比较高，而搜索速度比较慢，POWELL优化算法速度快，而优化结果的精度跟初始值的选择有关这两种情况，提出了一种改进的基于小波变换的多分辨率图像配准算法，先对参考图像和待配准图像进行小波分解得到图像的各级低频近似子图像，然后利用带高斯扰动的量子行为粒子群优化算法对低分辨率的图像进行粗配准，得到低分辨率下的配准参数，再将该配准参数作为POWELL优化算法的初始值对高分辨率的图像进行精配准。实验结果表明这种改进的配准算法具有较好的配准精度和速度。