图像配准是从不同传感器或者相同传感器,在不同时间不同角度获取的两幅或者多幅图像进行匹配处理的过程,是解决图像融合、图像镶嵌和图像超分辨率重建等问题的必要前提。在实际应用中,由于图像之间存在着复杂多变的成像畸变,现有的配准技术很难适应配准图像有较大的尺度缩放、旋转、视角等变化的图像,且算法的复杂度较大,配准精度不是很高。因此图像配准技术一直以来是一个很困难的课题,研究图像配准技术具有重要的理论意义和实用价值。本文对图像配准理论和背景做了简要的介绍,对图像配准方法进行了综述,分析了图像配准技术的热点和发展趋势。现有的配准技术中,基于特征点的配准有着配准精度高,受干扰、噪音等外界影响小,适用广泛等优点,是现在配准技术的主流方向。所以本文从基于特征配准为主要出发点,对目前流行的SIFT算法(Scale Invariant Feature Transform)配准技术进行了深入的研究和实验。对大量的实验结果分析验证了算法对图像的尺度变化、旋转变化、亮度变化保持不变,对视角变化、仿射变换、噪声也保持一定的鲁棒性。虽然SIFT算法有着众多的优点,但是需要对图像的多个尺度空间进行搜索,对大量的特征点进行直方图加权运算,在面对大分辨率的图像配准时,配准的时间有时候会呈几何性增长。同时在大量的SIFT特征点中还存留一些不稳定的点,会降低配准精度和配准的效率。基于对以上问题的考虑,本文提出了对SIFT算法的改进：考虑到SIFT特征点是基于特征点邻域的像素梯度变化确定的,梯度变化大那么特征点的独特性更好包含了更多的图像信息,正好角点就是在邻域窗口内具有显著的梯度变化。所以本文将Harris角点检测算子引入到基于SIFT算法的图像配准过程中,对SIFT特征点的提取方法进行了改进,在多尺度空间检测特征点的同时对这些特征点进行Harris角点提取,筛选出更加能代表图像信息的特征点,而且减少了对特征点进行向量描述时的计算量。实验结果显示大量不具有独特性的特征点被剔除,保留下来的特征点集中在图像参照物的轮廓处,特征点的数量减少了一倍多,但是这些点正好是更能代表图像信息的特征点。由于特征点的减少,大大减小了后续步骤的计算量,提高了配准的速度。之后对实验数据的分析证明了改进算法对于图像的配准,在保留原SIFT算法的众多优点后还提高了配准的速度和正确匹配的概率。最后对图像配准领域未来需要进一步研究的方向进行了展望。