遥感技术在促进我国经济发展、保障生产生活安全等方面具有重要的作用。其中,遥感图像作为遥感应用的重要数据,在军事导航、资源普查、环境监测、目标识别等领域中得到了广泛的使用。由于同一场景在不同传感器下采集到的遥感图像中的信息具有互补性。因此,利用不同的遥感图像往往能观测到不同的地面信息。为了消除图像间的误差并尽可能的保留不同遥感图像中的图像信息,通常利用图像配准技术对得到的遥感图像进行预处理。在图像配准中,基于图像局部特征的配准算法应用广泛,在不同图像中,图像局部特征都有着很强的鲁棒性。因此,本文基于遥感图像局部特征进行配准算法的研究。在基于关键点的遥感图像配准算法研究中,我们发现,由于遥感图像间存在着不规则梯度变化,利用梯度幅值(GM)构建的传统描述子难以满足遥感图像配准的需求。因此,为解决这一问题,本文提出了一种基于梯度幅值归一化重置策略的描述子NGMD。本文在实验部分将其与其他六种基于梯度信息构建的描述子进行了比较,实验结果显示,使用NGMD的配准算法具有最高的准确率。通过对图像梯度信息的研究,我们发现梯度幅值(GM)和梯度发生(GO)这两种不同的梯度信息在描述特征时具有互补性。基于此发现,本文提出了一种结合这两种梯度信息的描述子IMOG。通过与其他六种基于梯度信息构建的描述子进行实验比较,使用IMOG的配准算法具有最高的召回率,且能够在一定程度上识别出数量更多的正确匹配对。在基于角点的遥感图像配准算法研究中,本文发现,由于遥感图像在远距离对地拍摄的条件下获得,因此,遥感图像中包含大量的地物信息(如房屋建筑、道路等),这些信息包含了大量的角点及边缘轮廓。在经过一系列非线性灰度变化后,遥感图像中的这些信息仍然具有较强的鲁棒性。对此,为了更好的利用遥感图像中的角点和边缘信息,本文在DEPAC描述子的基础上进行改进,提出了一种新的基于轮廓的角点描子CCD。实验证明,CCD在准确率上优于DEPAC。