差分进化算法是一种人工智能的优化算法,因为该算法的简单有效,故在图像处理、电力能源系统和人工智能领域中得到了成功地应用。但是原始差分进化算法存在如收敛快慢与收敛精度的矛盾等问题,因此如何提高算法的收敛精度和避免过早收敛且保证收敛速度快具有很大的研究价值。合成孔径雷达(Synthetic Aperture Radar,SAR)能获取高分辨率图像且拍摄不受环境等因素的影响,其应用越来越广泛。由于SAR系统在不同时段对地面同一区域进行拍摄时会存在一定的几何偏差,需要使用配准技术对含有同一区域的不同时相的图像进行几何变换校正,以进行后续的图像变化检测、图像融合等处理。因此,SAR图像配准是这些后续处理的前提和基础,SAR图像配准的研究具有非常重要的意义。本文分别对差分进化算法和SAR图像配准进行了分析和研究,完成了以下两方面的工作:1.提出了一种结合综合学习粒子群优化算法和免疫克隆选择算法差分进化算法。该方法引入综合学习策略来指引差分进化算法中的个体进行相互综合学习,选择最优个体进行克隆以降低贪婪思想带来的缺陷,对适应度值一直未更新的个体采用改进的变异机制进行克隆变异,从而既可以保证算法能够在较少的代数内收敛,也可以保证较高的寻优精度。最终的实验结果证明了此方法的有效性。2.提出了一种基于边缘点的SAR图像配准方法。首先,对Hessian矩阵边缘响应的值进行了分析,得到了较好的阈值,并通过非极大值抑制对含有相干斑噪声的图像提取了边缘点。将此方法与Harris角点提取方法在含相干斑噪声的图像上进行了实验对比,从实验效果可以看出本方法的有效性。其次,使用改进的离散粒子群算法在离散空间上寻找最佳匹配关键点对来计算初始匹配参数做为粗配准参数,且改进了搜索匹配特征点的目标函数,最后根据粗配准参数采用基于灰度信息的配准算法进行精配准。从最终的配准结果及配准后的图像与原图像的互信息值和运行时间上证明了此方法的有效性。