图像配准指的是对描述同一对象或场景的两幅或多幅图像进行匹配、变换的过程。这些图像可能是在不同时间、不同视角拍摄的，也可能是由不同传感器所采集的。对于图像融合、变化检测等最终目的是通过各种图像数据的综合提取有用信息的图像分析技术而言，图像配准是关键的步骤。图像配准技术在卫星遥感图像处理、医学诊断辅助、计算机视觉等领域都有着广泛的应用。　　 基于特征点的图像配准算法通过提取具有某些特性的特征点来描述和配准图像，具有计算复杂度低、稳定性强、配准性能好等特点，实际应用比较广泛。其中，SIFT(ScaleInvariantFeatureTransform)算法是一种性能优秀的基于特征点的图像配准算法。该算法通过提取具有尺度不变性的特征点，能实现对有尺度变化、平移和旋转等变化的图像的配准。SURF(Speeded-upRobustFeatures)算法具有更高的效率，鲁棒性方面也有一定的提高。ASIFT(Affine-SIFT)算法是SIFT的改进算法的一种，其在SIFT算法基础上进一步对仿射变换的参数进行模拟，从而实现了全仿射不变性，大大拓展了图像配准的适用范围。　　 本文在在深入研究基于特征点的配准算法基础上，融合SURF和ASIFT算法优点，提出一种新的改进算法，并在特征匹配阶段提出一种新的匹配策略。具体工作分为以下两个部分：　　 1、结合SURF算法对ASIFT算法进行改进。ASIFT算法首先对待配准图像和参考图像进行经度角和纬度角的模拟，然后对模拟后得到的一组图像运用SIFT算法提取特征点和进行匹配。SURF算法利用Hessian矩阵检测极值点，计算Haar小波响应值来生成特征描述向量。本文算法在ASIFT算法模拟的基础上，特征提取和描述部分采用SURF算法的方法，目标在于得到一种性能更好的图像配准算法。　　 2、特征匹配部分改进。ASIFT算法在进行特征匹配时，计算得到的欧氏距离是所有维数上的差别的总的反映。在这种情况下，有着相同欧氏距离的两个特征向量具体在哪些维上的差异较大是无法比较的。而特征描述向量是由特征点的邻域信息构成的，代表着邻域的信息。因此，简单的依赖于总的欧氏距离容易造成误配。为此，在本文的研究工作中，我们提出了一种新的特征点匹配策略。将特征向量分成两部分，分别计算和比较这两部分的欧氏距离。并在精匹配阶段引入GTM算法，以解决匹配不精确和误匹配的问题。　　 实验结果表明，本文算法与常用的几种图像配准算法相比适用范围更广，配准效率和精度有一定的提高，鲁棒性得到了增强。