图像配准是指按一定的相似性度量确定图像间的变换参数，并利用这个参数对不同条件下获取的包含同一场景的两幅或多幅图像进行匹配的过程。伴随遥感技术的飞速发展，图像配准作为遥感图像预处理的关键步骤，对它的要求也越来越高。特征配准是图像配准的常用方法之一，而其关键在于特征提取。传统的图像特征配准都是采用手工或者半自动的方法来选取特征，而实现高精度的图像自动配准是该领域追求的目标。图像配准中特征提取算法和特征匹配算法众多，本文主要研究了基于点特征的图像配准，对几种常用的特征提取算法进行了全面的总结和分析，并针对匹配中的问题提出了改进方法。其主要完成的工作和贡献如下：1．分析总结了Moravec特征点算子，Forstner特征点算子，Harris特征点算子和SUSAN特征点算子在特征点提取中表现的特性和优缺点。并对以上算子进行实现，从稳定性，抗噪性和时效性对它们进行比较。2．针对SUSAN算子要人工选取阈值的不足做了改进，提出了一种自适应的阈值提取方法，并将其用于图像配准。该算法利用计算灰度梯度模直方图得到初始灰度差异阈值，并利用方差和最大类间方差原理对初始阈值进行修正，得到适合图像的灰度差异阈值进行SUSAN特征点提取，实现了该算子特征提取过程的自动化。3．研究了尺度不变算法（SIFT）以及其改进算法，针对其较大的时间复杂度和特征点不能均匀分布的问题，对原算法进行了改进，提出了一种基于分级特征点集的遥感图像配准算法。首先对图像进行粗匹配，找出图像的共同区域，在图像的共同区域上利用SIFT算法提取特征点，形成一级特征点集，再对共同区域进行图像分块，生成相应数目的二级特征点集，采用几何约束特性和欧氏距离对对应的二级特征点集进行相似性度量，确定匹配点对。最后用RANSAC算法和本文提出的特征点均匀分布筛选方法对匹配点对进行筛选。实验结果表明，该算法不仅大大的提高了配准速度，同时也使特征点得到均匀分布，进而大大提高了图像的配准精度。