合成孔径雷达(Synthetic Aperture Radar,SAR)图像配准算法是获取高级雷达遥感产品的技术基础,在变化检测,灾害预警等领域有重要的作用。在光学图像中,配准算法可以分为基于特征点的配准方法和基于区域的配准方法。基于特征点的配准算法首先在待配准图像中提取特征,并将这些特征进行匹配,依据匹配的特征对计算仿射变换矩阵,实现图像配准。基于区域的配准方法将配准转换成为一个优化问题,通过寻优过程,得到配准结果。这些方法在光学图像配准应用中取得了出色的成果。然而,直接将光学图像的配准算法应用到SAR图像中,往往产生失配的结果。由于在SAR图像中存在大量乘性噪声——相干斑噪声,基于特征点的配准算法会产生大量的误匹配特征对,从而在计算仿射变换矩阵时引入了大量的误差;而对于SAR图像配准应用,由于其图像的巨大尺寸和相干斑噪声,基于区域的配准算法往往收敛到局部最优点,并且计算复杂度高。针对上述问题,本文提出了一种新型的基于特征提取和区域优化的SAR图像配准算法——特征区域优化(Feature-Area Optimization,FAO)。首先,本文重构了传统的基于区域的优化模型,并且分解出三个关键因素——初始化,局部切片和正则化项。当上述三个因素确定且赋值恰当的情况下,新的优化模型能够高效的收敛到全局最优解。其次,本文设计出一个专门的图像结构特征提取方法——双分辨率空间尺度不变特征变换(Scale Invariant Feature Transform in Dual Resolution Space,SIFT-DRS)。SIFT-DRS是一种类SIFT的特征提取方法,利用其能够快速的提取出待配准图像的结构特征。最后,利用上述特征,能够得到恰当的初始化,局部切片和正则化项。从而,求解重构后的优化模型,便可以得到精确的配准变换矩阵,实现SAR图像配准。本文算法利用特征提取,为基于区域的优化方程提供约束条件,缩小了搜索空间,保证其能够高效的收敛到全局最优解。最后,本文进行了一系列实验,并与传统的SAR图像配准算法进行对比,证明了新算法的有效性。