图像配准作为模式识别和图像处理领域中的一个基本课题,在计算机视觉、遥感技术、图像融合、图像超分辨率重构和医学图像处理等很多领域都有着广泛地应用。随着应用技术的发展,对图像配准的准确性、高效性和适应性都提出了更高的要求。本文以图像拼接、图像融合以及图像解析为主要应用背景,围绕图像配准的空间变换模型参数估计及图像特征提取与匹配算法展开了深入研究,并提出相应的创新性算法。论文主要研究内容包括以下几个方面:(1)研究了基于高斯混合模型的非刚性配准算法。针对传统的非刚性一致性点漂移配准算法(CPD)的变换模型自由度低的问题,提出基于投影变换的一致性点漂移配准算法(P-CPD),利用引入投影变换参数函数,构造自由度较高的基于投影变换的空间变换模型。仿真实验验证了P-CPD算法在具有灵活配准模型的同时提高了算法配准精度及鲁棒性。为了进一步提高算法的收敛速度及准确性,提出基于局部特征的一致性点漂移配准算法(F-CPD),F-CPD算法是在P-CPD算法基础上将图像局部特征信息引入高斯混合模型中。实验结果表明图像局部特征信息的引入有助于进一步提高变换模型参数以及点匹配关系估计的准确性。(2)研究了利用特征点匹配关系估计空间变换模型参数的图像配准算法。针对原有移动直接线性变换算法(MDLT)抗误匹配点能力较弱的缺点,提出基于投影参数向量场的移动直接线性变换算法(VF-MDLT)。该算法通过构建平滑投影参数向量场(vector field),抑制误匹配点对的干扰,增强算法的鲁棒性,并快速计算图像各像点的投影变换矩阵参数,实现图像配准。由于配准算法在图像拼接中基础性作用,提出VF-MDLT算法结合形状保持半投影变换算法(SPHP)的图像拼接算法。在拼接过程中利用VF-MDLT配准算法的准确性和鲁棒性,提高图像重叠区域的配准效果,对非重叠区域采用SPHP算法减少外插投影变换引起的图像拉伸畸变,以获得更好的拼接效果。实验结果证明了VF-MDLT算法比MDLT算法的具有更强抗干扰能力,以及所提出的配准算法在图像拼接中的实用性和有效性。(3)针对多聚焦图像的特点以及SIFT特征在多聚焦图像应用中存在的问题,提出了多尺度SIFT特征结合特征点位置信息的特征(SLS-SP)及其匹配方法,SLS-SP特征降低了由于图像模糊程度不同导致的特征尺度不确定性。实验结果表明,针对多聚焦图像,SLS-SP特征比传统SIFT特征在正确匹配点数量与正确匹配率两方面都具有明显优势,能够为多聚焦图像配准提供可靠数据。在多聚焦图像的配准过程中,根据SLS-SP特征点匹配关系,采用本文VF-MDLT非刚性配准算法实现多聚焦图像序列的配准。针对多聚焦图像融合环节,提出了基于焦点叠加的多聚焦图像融合算法。该算法创新性的将融合问题转化为标签分配问题,利用马尔科夫随机场(MRF)模型解决像点的标签分配问题。实验证明,该融合算法可以有效提取序列图像中清晰区域,区域衔接处过渡自然,图像细节保留完整。通过多聚焦图像的配准与融合算法的综合实验,证明了本文所提算法可以有效处理多聚焦图像,实现景深扩展,具有相当的实用价值。(4)针对差异场景下相似目标的稠密匹配问题,提出一种基于无监督学习特征的图像配准算法。该算法采用无监督特征学习方法提取图像特征,代替了传统的手工制定的图像特征。受多层神经网络和深度学习算法的启发,该算法采用多层匹配框架配合多层图像特征,并根据各层特征设计相应的优化模型。实验结果表明,匹配准确率与当前最新研究进展相比有进一步的提高,在匹配速度上有大幅提升,实现了高准确率下的快速稠密匹配。另外,对特征学习过程中各影响因素进行了定量分析,考察了各因素对匹配结果的影响。将稠密匹配算法获得的图像间像点对应关系应用至图像场景解析算法中,提高了基于稠密匹配的图像解析算法的解析准确率。