21世纪以来,随着科学技术的进步与不断发展。基于社会的需求计算机视觉这方面的科学技术焕发出强大的动力,图像拼接技术在数字图像处理的范畴内成为了一个研究热点。随时间发展,图像拼接技术变得越来越重要,并且在多个领域都占有一席之地比如航天航空领域、民用和军用无人机领域、医疗图像鉴定领域、以及我们常用的卫星导航领域。一张图像如果包含的事物越多,那么它对某个具体细节的分辨率就会降低。为了处理这个矛盾,产生了图像拼接技术。本文基于对图像拼接技术的学习与研究,针对现有图像拼接算法过程中的某些局限性提出了改良并付诸于试验。本文主要改良体现在以下几个方面:（1）提出改进的加权增速RANSAC算法（1）在原RANSAC方法中,对于每次选取的样本点都是随机的。这样外点和内点被选中用于求解模型的概率是一样的,而理想的选取样本方法应该尽可能的选取内点作为样本点,避免外点的参与而导致污染计算模型的结果。可行的方法是将每一个样本点根据欧几里得距离赋予合适的权重,如果被赋予的权重越高表明这个点为模型内点的可能性越大。在赋予权值的基础上再配合适当的样本选取策略。使得用于求解模型的样本点中内点的概率变高,一定程度上加速了RANSAC算法的进程。（2）在RANSAC算法迭代中,提出均匀分布取样机制。整个RANSAC的迭代是一个尝试新的样本点组合的过程。过于聚集的样本点簇计算出来的模型更多的是反映该样本点簇及其附近邻域的模型性质。针对此情况,本文在RANSAC中提出了分散取样机制使得取样点的分布更加分散,防止了样本点的过于簇拥。（2）提出特征点的分区检测。图像特征点的分布,对于图像拼接的过程有很大影响。本文分析发现许多图像的特征点数量具有两极化趋势。即在某个区域的特征点具有堆集的情况,如果该区域冗余的特征点作为样本点进行后续计算时,会突出显示该局部区域的特性,这对于整个图像是不利的。反之,也会存在某个区域的特征点特别少或者没有,如果该情况发生在图像之间的重叠区,没有足够的特征点将使得图像拼接无法进行。最佳的图像特征点分布应趋于均匀,且在图像的重叠区能够提供足够的特征点。因此本文提出,将整张图片划分为大小相等的若干个区块,分别在每个子分区图像里产生足够多的特征点。（3）针对不同特征分布的图像,设置不同的特征检测模式。本文的图像拼接过程旨在区别于其它图像拼接软件一概而论的拼接方法,深入对比几种主流的特征点检测方法（包括SURF、FAST、AKAZE、SIFT、BRISK共5种特征检测算法）,并将上述算法代码实现进行对比。通过对实验结果进行分析,知道了每个算法的各自优缺点,面对不同种类的图像找到与之相适应的方法。并在后期的图像拼接过程提供更多的特征检测模式。最后,通过python将上述图像拼接过程实现,其中将改进后的RANSAC算法与原RANSAC算法进行对比,并且增设了一个其他学者改进RANSAC算法作为对比组。将上述3个算法在运行时间和运行后特征点的正确率进行比较。证明本文提出的算法改进相较于原算法和其他改进算法在求解单应矩阵模型时有明显的优势。