图像配准是计算机视觉和模式识别领域中的一项重要课题，在遥感图像处理、计算机视觉、运动估计、医学图像分析等领域有着广泛的应用，是图像融合特别是图像数据层融合技术中需要先期解决的问题。不同传感器、不同成像模式和不同时间得到的同一个对象的图像数据之间存在相对的平移、旋转、不同比例缩放甚至畸变关系，对其进行综合分析和利用时，首先要解决图像间的配准问题。图像配准的过程，即通过寻找一种空间变换，使两幅图像的代表同一目标物的对应点达到空间位置的一致，配准的结果应该使两幅图像上的所有点或至少是具有实际应用意义上的点都达到匹配。当前，图像配准的基本方法可以分为两类：基于像素(灰度)的方法和基于图像特征的方法。近年来，随着信息论中一些概念的引入，基于互信息的图像配准方法得到了广泛的应用。这种方法具有很高的配准精度，可以达到亚像素级，同时不需要对图像进行分割预处理。但是这种方法也存在一些缺陷，主要是互信息计算时出现的大量局部极值带来的误匹配，还有因为互信息是由两幅待匹配图像的联合直方图计算的，两幅图像各自的灰度级别会对配准结果产生较大影响。由于互信息只利用了图像的灰度特征，忽略了图像本身的其它特征对配准的贡献，这就导致互信息对图像噪声的敏感。本文提出了一种以最大互信息为基础，综合利用了基于灰度和特征的图像配准方法。首先计算原始图像的互信息，再对图像进行边缘检测以得到边缘图像，对边缘图像计算边缘互信息和边缘互方差，从而定义了一种新的测度函数BI以指导变换参数寻优。经过试验，改进方法相比传统互信息方法对噪声的敏感度有较大降低，配准函数BI曲线形状良好，峰值尖锐，易于选择出最佳配准参数，配准结果准确度高，效果较好。图像配准在本质上是一个多参数优化问题。为解决局部极值，本文利用了PSO和Powell的混合算法来对配准测度函数进行优化。