图像配准是对不同时间、不同角度所获得的同一场景的多幅图像进行最佳匹配的过程,即将图像对齐后,明确图像空间位置变化与强度变化,然后确定图像序列之间位置映射关系或强度差异的过程(通常,强度变化并非必需,所以图像配准主要针对空间位置变化)。它是图像处理与计算机视觉方向及其工程应用中的一项重要技术,在日常3D电影、好莱坞大片、医学诊断中的核磁共振图像、建筑工程中的三维重建软件等都得到广泛应用。因此,如何更有效地完成图像配准技术就成为图像处理研究的重点课题之一。本文研究基于深度信息的图像配准算法,以满足进一步的图像分析处理及应用对配准效果和效率的需要,主要工作包括以下几个方面:对目前流行的图像深度估计方法的线索依据、算法思想和实现进行了分析,总结了各种算法的优劣与特点。着重分析实现了基于模糊聚焦线索与机器学习方法的深度估计方法,并对模糊聚焦线索的方法中,能量函数设置进行了改进,增强了深度图像的局部连续性效果。针对传统的基于SIFT特征图像配准方法中,特征点匹配环节产生大量错误匹配点对的问题,研究了传统算法的机理与产生错误匹配的原因。已有的改进方法是利用随机抽样一致性(RANSAC,RANdom SAmple Consensus)准则对所有的特征点对进行迭代求解从而估计模型参数。分析了该方法中设置代价函数阈值很困难的问题,结合深度局部连续性,提出了结合深度信息辅助特征点筛选的算法。介绍了图像配准的两种常见后期应用:图像超分辨和图像三维重建。图像超分辨方面,首先分析了图像由高分辨率向低分辨率退化的模型,研究了两类主要超分辨率算法中常见的几种算法。在图像三维重建方面,研究了常见的三种三维重建方法,并探讨了三类三维重建方法的特点。在此基础上,将本文提出的图像配准算法与常规算法的结果代入图像超分辨和三维重建算法中,通过应用中的不同结果证明本文提出的配准方法的有效性。