随着人工智能、深度学习等技术的兴起,图像处理相关技术逐渐成为研究的热点。图像处理技术中有一环至关重要的技术——图像配准,在经过一系列图像预处理,特征检测、提取等环节后进行的重要步骤,配准为后续实现识别、定位与跟踪等许多场景应用奠定了基础,配准效果的好坏会直接影响到其后续应用的性能。因此配准工作的意义可见一斑。本文选取图像配准中基于特征点的方式为研究对象,深挖图像配准的流程、并对其中的重要环节以及相应的技术进行总结并提出一些优化方法,使得基于特征点的配准能够获得更好的实现效果。本文在下面三个问题中集中的进行了研究分析并给出了优化方案:传统点配准方式中对匹配关系的求解环节往往需要用到的特征相似性度这一标准,本文提出一种新的形状描述子用来描述特征点。该描述子能够建立某一特征点各向同性与各向异性的特征,并对两种特征进行融合。此描述子实现了分配方案的“软”化,使得原有硬性的特征划分方式具有更强的鲁棒性。根据实验,本文所提出的描述子在剧烈形变、噪声、外点情况下的配准效果明显优于ICP(迭代最近点)算法、软形状上下文算法。针对传统ICP(迭代最近点)算法虽然能够实现三维空间中的刚性形变配准,但是必须具备一个较优初始值这一问题,给出一种两次对齐的解决方案。首次对齐完成形心的重合,保证两点集的靠近,二次对齐使用了遗传算法在空间进行全局搜索从而确定一个最优的旋转矩阵,经过两次初始对齐为ICP提供了较优的初始位置,克服了原有方案不能实现角度过大情况下配准这一不足。实验表明,应用两次对齐后的ICP算法能够跳出局部极小值点实现更优的匹配。一种稳健的非刚性配准算法(TPS-RPM)算法,将二元匹配方案进行“软”化,实现了一个连续匹配矩阵的不断逼近优化的方式。原始算法以确定性退火的方式不断降低匹配矩阵模糊度,最终实现配准任务。针对该算法必须使用较大的退火率以保证能够找到更优的匹配结果这一缺陷,通过对其匹配矩阵更新环节增加局部相似性度量的权值系数从而提高算法效率,诱导匹配矩阵快速收敛,使其在较低退火率的情况下便可实现较优的配准效果。