图像配准是指同一目标的两幅(或者是多幅)图像在空间位置上的对齐。图像配准技术过程称为图像匹配或者图像相关,是数字图像处理和机器视觉中比较基础且核心的技术分支,也是立体视觉、图像融合、动态视频检测等应用的基础。在医学影像、遥感领域、军事导航、地理信息系统、目标识别、航空航天技术、虚拟现实及人工智能等领域已经得到广泛应用。随着应用技术的复杂化,对图像配准算法的实时性、精确性、适应性、高效性都提出了更高的要求。基于灰度的配准算法容易受到光照和图像灰度信息影响且复杂度较高,效率低;当存在非线性变换的时候,基于变换域的方法受到了限制;而图像的不变特征能够反映图像的本质属性,而且能够在图像发生一定的伸缩、旋转、光照、视角变化的情况下保持稳定性,这对于人类对图像识别的研究有着里程碑式的意义。因而本文主要对SURF特征提取的图像配准方法进行研究,通过减少干扰特征点以及提纯误配点来提高配准精度。SURF是由SIFT发展而来的,首先分析了SIFT和SURF的实现原理、步骤、性能,然后通过实验进行了验证,而SURF算法因为使用了盒子滤波和积分图像的理论,相较于SIFT算法更具有实时性,但依旧存在配准精度不高的问题。针对SURF算法存在的问题,提出了一种改进的SURF图像配准方法。相较于经典SURF,本文在特征点提取之前,先对图像进行双边滤波,减少错误来源。在特征匹配初始阶段,由于最近邻域与次近邻域之比的选取会影响匹配结果,因而本文摒弃了传统固定阈值,使用了自适应阈值约束。为了使配准更精确,又加入了肯德尔系数约束对匹配对提纯,最终通过RANSAC算法和LSM迭代求解,进行结果处理,通过实验验证了改进的SURF算法在减少配准时间的基础上提高了正确匹配率。