图像配准的目标是将来自不同时间、不同方位,或者不同的传感器作用下拍摄的同一场景的两幅图像或多幅图像进行映射、对齐、叠加或者拼接成功的过程。一直以来,图像配准都是计算机视觉、模式识别、医学图像处理和遥感领域的热点。迄今为止,图像配准技术还在不断的完善和优化,当前算法在某些性能上的表现越来越不够理想,那么如何提高运算效率、加强技术的稳定性依旧是当前亟待优化的问题。本文主要围绕基于特征点的图像配准算法展开研究,系统的阐述了图像配准所涉及的各个环节。本文重点研究了特征点的检测和描述,并在此基础上提升算法的速度和精度,从而降低运行时间和空间复杂度,进而更加高效完成图像配准。本文具体的工作如下:（1）改进的SIFT图像配准算法特征检测方面:针对在尺度空间中进行特征点检测时,尺度空间过大,会存在时间消耗多的问题,为了进一步提高检测的效率和精确度,把生成无用特征点最多的高斯尺度空间的第一组第一层跳过,直接从第一组第二层进行特征点检测。特征描述方面:由于传统的SIFT算法的特征描述符存在维度较大的问题,所以使得描述符运算复杂且花费大量的时间。本文在SIFT算法和GLOH描述符的基础上,提出一种改进的基于环形邻域梯度直方图的描述方法。该描述方法是在描述时对生成的同心和圆环梯度方向的幅值进行计算得到,使描述符的维数得到大大的降低。该改进算法在多尺度、多传感器、多光谱图像上进行仿真测试后,其实验结果表明:与其他算法相比,该算法在图像配准的时间、精度上具有更好的性能。（2）基于FAST检测-SIFT描述的图像配准算法在FAST检测算法由于灰度阈值需人工设定,其检测结果存在着大量角点聚簇的现象,导致生成候选特征点过多,为后续图像配准步骤增加复杂度,也不能满足不同图像对于特征点的检测要求。针对这些缺点,采用基于对比度阈值的FAST检测算法,在原始算法的基础上,采用自适应选取全局阈值和局部阈值,以此减少特征点聚簇的目的。通过优化的FAST检测与基于环形邻域的描述符相结合算法与其他算法进行实验对比,并将几种对比算法在不同光照、JPGE压缩、视角、旋转的光学图像条件下进行仿真实验,实验结果表明:该算法在图像配准的耗时、准确度上性能较好。