多源图像配准是将多源成像传感器在不同成像视角、不同成像时间下获取的不同分辨率的(多粒度)、物理特性迥异的(异质)数据实现时空对齐的过程,已发展成为图像处理领域的重要研究分支。对这些异质多粒度数据进行多源融合后具有信息互补和整体展示的优势,然而获得这种优势的前提是多源图像配准,即多源时空一致性映射。多源图像配准技术可应用于军民两用领域,如国土测绘、安保监视、对地监测、低空避险、应急救援、防灾减灾、地形匹配、战场侦察、海洋维权等,可为我国提升全天时、全天候环境感知能力提供关键技术支撑。相比同源图像配准研究,多源图像配准的研究尚未成熟。由于多源数据异质、多粒度且时空不一致,造成多源时空配准精度低甚至完全失效。因此,深入开展复杂环境下多源时空配准方法的研究具有十分重要的意义。论文的主要工作如下:多源异质多粒度数据具有特征与质量差异大的特点,这种特点造成干扰配准的因素众多,导致采用单一特征度量和约束的传统多源配准方法误配率高甚至匹配失效的问题。针对上述问题,提出了一种基于多特征联合约束的多源时空图像配准算法。该方法基于Harris角点检测算法对多源时空图像进行角点检测,利用构建的位置、距离和互信息的多特征约束,实现误匹配的角点剔除,采用随机抽样一致性算法进行迭代拟合,从而减小控制点估计误差,最终精确估计出映射矩阵。对谷歌光学图像和星载SAR实测图像的配准结果表明,该多源配准方法有效地剔除了误匹配的角点对,实现了对多源映射矩阵的稳健估计,从而达到了亚像素级配准精度。针对某些SAR图像特征点缺乏,如草地、沙漠、湖泊以及海洋等场景,造成传统基于特征的配准方法难以有效获取特征点。利用衡量变量间相互倚赖程度的互信息作为相似性度量和几何变换参数的智能搜索算法,避免了特征点缺乏的问题。将互信息作为相似性测度,然后用智能方法来搜寻几何变换参数,摆脱了传统基于特征的配准方法对较均匀场景配准失配率高的困局。然而,现有基于互信息的智能搜索配准方法存在相似性度量鲁棒性差和局部收敛的缺陷。为此,纳入临近像素作为互信息统计区域(区域互信息)以增强相似性度量的鲁棒性;利用量子的随机性覆盖整个搜索空间,通过量子粒子群智能搜索算法以高概率获得几何变换参数的全局最优解。利用区域互信息,结合量子粒子群算法,提出了基于区域互信息的智能搜索图像配准方法。对美国圣地亚实验室VideoSAR实测图像配准的结果表明,该方法具有相似性度量描述准确和全局迅速收敛的优势,达到了亚像素级的配准效果。