图像配准是将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行几何关系的匹配。它的主要目的是去除或抑制待配准图像和参考图像之间几何上的不一致,包括平移、旋转、缩放等形变。该技术被广泛地应用在遥感图像、医学图像、三维重构等诸多领域中。基于特征的图像配准方法主要存在两个难点:特征提取的多样性和相似性计算的复杂性。本文针对这两个问题,主要做了以下几方面的工作:第一,简要介绍了数字图像处理中常用的三种插值方法,并分析了各方法处理数字图像时的优缺点。重点讨论了数字图像在空间上的几何变换原理,并用Matlab软件对图像的几何变换进行了数值模拟。第二,介绍了数字图像的点、线及区域等特征,介绍了传统的Moravec、Harris及SUSAN角点算子的原理,并对时下流行的特征点检测算子SIFT、SURF及PCA-SIFT的算法原理及算法步骤进行了分析阐述,比较了各种特征点检测算子的的检测性能,通过对SIFT、SURF及PCA-SIFT特征点检测的Matlab模拟实验发现,以上三种特征点匹配算法不能解决图像带有反转或自相似时的匹配问题,为此本文提出了一种迭代有序k最邻近距离实现数字图像特征点匹配的算法,通过数字仿真实验,表明该算法能较好解决上述问题。第三,介绍了Fourier变换及其性质,介绍了互相关方法在图像配准技术中的应用,提出了一种基于特征点检测的图像配准方法,给出了该方法的配准实现步骤,并在Matlab环境下对该方法进行了实验验证。实验表明,该方法对平移和旋转配准精度高,并且有较强的抗噪声性能。最后对本文工作进行了总结,并对图像配准领域仍需进一步深入研究的地方进行了展望。