图像配准是一种寻找同一场景的两幅或多幅图像之间的空间变换关系、并对其中的一幅或多幅图像进行变换的过程。图像配准是所有图像分析任务中最为关键和基础的步骤,是图像拼接、图像重建、目标识别等应用的前提。对于常用的基于特征的图像配准方法,其关键在于如何对特征进行有效的提取,尺度不变特征(Scale Invariant Feature Transform,SIFT)算法能够为我们所提供需要的不变特征。SIFT特征具有旋转、光照、仿射和尺度等不变性,SIFT算法是目前特征检测和匹配算法中最为有效的算法。本文以对尺度不变特征SIFT算法的研究为中心,首先以不变特征理论作为背景,引出SIFT尺度不变特征的概念。尺度不变特征SIFT算法可以划分为特征检测、特征描述和特征匹配三个部分,本文对每个部分的组成逐一进行了分析和讨论,详细介绍了尺度不变特征SIFT算法的实现过程,对其所包含的匹配搜索、聚类变换及内外点筛选等子算法的特点和性能分别做了深入研究。在特征检测时,运用非极大值抑制方法来检测均匀性分布的特征点,通过设置标志位对检测步长进行调整以减少检测次数;考虑到SIFT算法在设置距离比阈值时的局限性,固定的参数设置不能适应所有图像,因此需要对SIFT算法匹配阶段的距离比阈值进行参数寻优。本文以折半查找法作为基础,设计了一个能够满足要求的寻优算法;对于检测到的特征点中偏差较大的匹配点,采用特征点对之间的特征一致性的几何约束进行粗匹配剔除。实验表明,改进算法在性能上得到了提高。继SIFT算法出现之后,陆续涌现了一系列的变种算法。本文对这些变种算法也进行了研究,并进行了分析和对比实验。通过对比实验发现,虽然这些算法较SIFT算法在某些方面的确有所改进,但是同时也损失了SIFT算法的其他性能,如算法的使用范围、尺度不变特性以及算法的计算复杂度。因此,对SIFT算法进行深入研究仍然是必要的。目前SIFT算法改进和完善工作主要聚焦于提高算法的计算效率、找到更精确的特征检测算法或更有效的特征描述子等方面。另外,由于SIFT算法描述部分本身就受到生物神经方面的启发,后续研究考虑继续将生物学的原理应用于SIFT算法的改进当中。同时,将SIFT算法运用到实际生活当中,以解决更多的实际问题也是今后的研究重点。