图像配准是在不同的时间、拍摄角度、传感器等情况下,利用图像所含的信息,对同一场景的图像通过某种方式变换坐标进行匹配的过程。它是图像拼接、图像融合、变换检测、三维地形重建等许多图像处理问题的基础,有广泛的应用和研究价值。随着计算机科学技术的飞速发展,图像配准技术也不断地发展起来。针对图像的不同特征,将配准方法分为三大类:基于灰度信息的配准方法、基于特征的配准方法以及基于变换域的配准方法。遥感图像由于传感器的更新迭代等因素,其成像机制发生变化,使得图像的空间分辨率不断提高,另外遥感图像复杂的噪声干扰也使图像配准技术面临着诸多的挑战。通过对现有的遥感图像配准技术的研究,在尺度不变特征变换SIFT算法的基础上,提出了以下三个基于点特征的遥感图像配准方法:(1)针对遥感图像显著的灰度非线性差异变换导致出现错误的匹配点对或者匹配点对数量较少的问题,提出了一种基于局部相似性约束和局部区域结构的遥感图像配准方法。该方法利用SIFT算法提取并匹配特征点,结合局部相似性约束策略对匹配点对进行二次匹配,筛选出高精度的配准点对。实验结果证明,利用匹配点对之间的局部相似性筛选出的匹配点对对非线性差异较大的遥感图像具有很好的鲁棒性。然后利用匹配点对的局部区域结构对SIFT提取的特征点进行重匹配。实验结果表明利用特征点的局部区域结构信息可以有效增加正确匹配的特征点数目。(2)针对仅利用图像的梯度提取特征容易遗漏特征点的邻域信息的问题,提出了一种基于自学习鲁棒图像描述子的特征匹配方法。该方法结合遗规划的思想,充分利用特征点之间的邻域信息,提取特征点的特征向量,优化得到适应度值高的图像描述子。将训练得到的图像描述子应用于测试数据集,筛掉特征向量距离较大的匹配点对。实验结果证明所提出的描述子生成方法和特征匹配方法的有效性。(3)针对遥感图像含有大量噪声对特征描述子造成干扰,导致特征点错误匹配的问题,提出了一种基于改进的一阶统计量的特征提取方法。该方法在自学习图像描述子的基础上将终端集改为上四分位数、下四分位数、中值和标准差。由于遥感图像含有的噪声将本应均匀连续变化的像素值发生突变,该改进可最大限度地减小了噪声对特征造成的干扰。实验结果证明该算法有效改善了遥感图像配准的性能。