随着无人机技术的迅猛发展,其作为一种新型遥感平台具有快速成像、飞行及维护费用低、能获高分辨率影像等优点,现已广泛应用于农林业、资源勘测、灾害预防等诸多领域。尤其在精准农业、病虫害监测、作物产量估测、作物养分分析等方面,已取得了较为理想的应用效果。同时由于我国幅员辽阔,作物种植面积大,无人机在农业方面仍具有非常大的发展空间。但由于受飞行高度的限制,无人机获取到的单张遥感影像通常无法包含整个任务区。所以为了取得整个任务区遥感影像,需将拍摄到的影像集拼接成一整幅任务区影像。由于农情信息解析是建立在影像拼接的基础上的,因此拼接质量的好坏对农情信息解析的准确性起着决定性作用,因而研究适用于大田作物的遥感影像拼接技术具有重要的现实意义。目前遥感影像匹配算法主要有三种:基于灰度信息的影像匹配、基于变换域的影像匹配以及基于影像特征的匹配。尺度不变特征变换(Scale-invariant feature transform,SIFT)算法是基于特征的影像匹配算法中广泛使用的一种算法,该算法对影像尺度、旋转具有不变性,同时保持了较高的鲁棒性,但该算法在处理大田作物遥感影像的过程中出现了特征点提取数目不足,特征点分布集中,匹配效果差等问题。本文主要对基于SIFT算法的影像匹配技术进行研究,首先简要介绍了课题研究的背景及意义、国内外研究现状。然后阐述了遥感影像处理的基本理论以及遥感影像匹配的关键流程和分类,简要介绍了几种应用范围较广的配准算法;接下来介绍了标准SIFT算法使用的尺度空间理论、阐述标准SIFT算法的主要思路,构造出标准SIFT算法流程图,详细说明了标准SIFT算法实现原理中尺度空间构建、极值点的检测、特征点提取、特征描述子生成以及特征点匹配,同时使用大田作物遥感影像对SIFT算法进行实验,分析了算法的优势及存在的问题,对于标准SIFT算法对低对比度的大田作物遥感影像特征点提取数目过少,拼接效果差的问题,提出以下优化方案:针对大田作物特征点提取数目过少,细节丢失严重的问题,引入了基于锐化的影像预处理过程,通过使用基于卷积的自定义锐化滤波器增强遥感影像的细节特征,同时为了防止锐化增强影像噪点,对预处理阶段的过程进行了合理规划。针对大田作物遥感影像特征点分布过于集中的问题,采用更大的采样步长来均匀特征点分布,同时为了避免因较大步长而导致的高尺度区域特征点提取数目不足,提出了基于影像尺度的方法来自适应修改采样步长,从而从尺度以及空间两个方面均匀特征点分布。最后本文以2016~2017年获取到的水稻低空遥感影像作为影像集,对标准SIFT算法和本文提出的优化SIFT算法分别在特征点提取、特征点匹配、旋转鲁棒性等方面进行对比实验。实验结果表明改进后的算法在处理低对比度的大田作物时,提取到的特征点的数量和质量明显提升,得到了较为理想的影像配准效果。