图像拼接就是把在同一个环境下拍摄的几张的图片拼接成一张具有宽视角，无缝隙，信息度高的一种图像技术。图像拼接技术目前在很多领域都存在着广泛的应用。例如计算机对图像的处理，医学研究方面，和一些虚拟现实场景的应用。　　在图像拼接技术的研究当中，基于特征的图像拼接是应用较广的一种方法，其主要难点在特征提取阶段和特征匹配阶段，如何提高特征匹配的效率是本文研究的重点。最后图像拼接的效果取决于图像配准的精确性和图像融合方法的选择。　　本文在通过对目前流行的图像拼接方法进行比较和研究后，提出了在对SIFT特征提取之后对随机抽样一致性算法进行改进后来精匹配的优化改进方法，主要是对图像配准阶段对提取的特征点进行粗匹配后再进行精匹配改进的一种方法。通过添加一种约束性条件剔除粗匹配特征点对中误匹配点，提高了特征点的精确概率，同时使得随机抽样一致算法的估计次数大大减小，然后通过对求解变换矩阵，得到统一的坐标变换。最后选择平均加权的图像融合算法来对本文的算法进行图像融合。最后通过实验验证得出，改进后的算法，能够较好的去掉伪匹配点，使匹配的准确度更高，使得算法在效率精确度方面均有了较大的提升。　　由于改进后的算法在实时拼接方面存在诸多不足，本文对算法进行了进一步的改进和优化。首先对待拼接的图像进行特征点检测，其采用的是FAST算子，然后利用FREAK算子来生成特征描述子，FREAK是一种二进制描述子，主要适用在嵌入式设备，以方便于嵌入式设备对图像处理的实时性要求。然后对待拼接图像进行粗匹配，主要方法是通过最近邻与次近邻比值法，最后利用之前改进的RANSAC精匹配算法进行优化，最后利用加权平均算法完成图像融合。实验表明，与基于SIFT的拼接算法相比，该算法能有效提高效率，基本能满足实时拼接的要求。