在军事末端制导、遥感图像融合,医学影像诊断等领域,多传感器技术都体现出了重要的应用价值。随着传感器成像技术的快速发展,单一传感器已经无法满足实际应用的需求。作为多传感器应用的基础,异源图像配准技术具有重要的研究意义。异源图像配准就是将不同传感器在不同时间、不同视角或不同成像条件下获取的图像进行匹配对齐。由于异源图像之间的成像机制存在着较大的差异,其图像配准方法无论在时间消耗还是匹配精度方面都难以达到理想的效果。为此,本文基于稳定的结构信息开展了异源图像配准方面的研究。首先,通过实验发现对匹配结果有用的特征点大多分布于边缘上或边缘附近。针对大量冗余的特征点影响匹配性能等问题,提出了一种基于边缘结构的异源图像配准的加速方法。依据与边缘的距离将特征点进行分类,与边缘距离较远的特征点被删除,剩余不同类别的特征点则分开匹配,最后再通过贝叶斯公式得到阈值筛选初始匹配结果。实验表明,该方法能够有效地提高Symmetric-SIFT算法和SIFT算法的性能,尤其在减少时间消耗方面。其次,通过实验验证了结构信息丰富的边缘及其附近区域存在大量的梯度反转现象。基于该现象,提出了MM-SURF算法。该算法使用SURF算法检测大量鲁棒的特征点,利用邻域的梯度幅值确定各个特征点的主方向,再为每个特征点创建MM-SURF描述符。实验结果表明,该算法无论在时间方面还是精度方面,都达到了良好效果。此外,对异源图像的模糊、旋转、噪声和亮度变化,.该算法也能表现出稳定性。最后,提出了能够描述异源图像结构信息的局部结构二值模式(Structure-LBP),并基于该算子提出了一种快速鲁棒的异源图像配准方法。该方法使用SURF算法框架得到特征点,并将显著性较低的特征点剔除,再利用邻域的结构度确定剩下特征点的主方向,然后计算每个特征点的Structure-LBP描述符,最后删除自相似因子较高的特征点。实验结果表明,该方法在时间和精度等性能上具有较好的表现,尤其在异源图像的模糊和噪声方面,该算法能表现出非常好的稳定性。