图像配准是图像处理领域的研究热点,其目的是将两幅或多幅来自不同传感器、不同视角或不同时间的同一场景图像的不同信息融合到一幅图像当中,从而满足某种具体应用。受噪声和模糊的影响,图像配准难以快速获得精准的变换函数。本文的主要工作是研究高效鲁棒的图像配准算法,具体研究内容为:1.为了减少尺度不变特征变换SIFT（Scale Invariant Feature Transform,SIFT）算法在图像匹配时出现配错的特征点对,获得更加精准的图像配准变换函数。本文提出了一种可以滤除匹配过程中大量噪声和离值点,并恢复出点集之间的空间变换函数的方法。该方法通过迭代恢复点的对应关系,估计两个非刚性稀疏点集之间的变换,去除噪声和离群点,获得更精准的图像配准结果。迭代的第一步中,SIFT特征描述子建立粗略的对应关系;第二步中,使用积分平方误差最小化估计子（L2-minimizing Etimate,L₂E）来估计变换函数。L₂E估计滤除特征点中的噪声和离值点,随后在再生核希尔伯特（Reproducing Kernel Hilbert Space,RKHS）空间中对非刚性变换函数进行建模。仿真结果表明,使用L₂E估计的方法对包含严重噪声、遮挡、离群点、旋转或尺度变换的特征点集表现出很强的鲁棒性,可以得到更精准的配准结果。2.为解决传统的单幅图像恢复算法效果不理想的情况,在图像配准的基础上,本文利用多幅图像之间的信息互补这一条件,通过多幅退化图像对单幅图像进行恢复。首先使用M估计（M-estimation）对图像进行配准,然后利用L1范数进行图像融合,进而提升图像恢复的鲁棒性。同时为了实现算法的快速收敛,本文通过对下降算法的搜索梯度向的优化,提出了基于共轭梯度下降法（Conjugate Gradient Descent,CGD）的图像恢复算法和其改进算法,两种方法均能有效减短图像融合时间。仿真结果表明,本文提出的改进算法比基于最速下降法（Steepest Decent,SD）的图像恢复算法的收敛速度更快。