近年,图像配准技术广泛应用于建筑学、医学以及军事学等领域。现实应用中,由于获取所需图像的整体面貌比较困难,所以可以先获取局部图像再运用图像配准技术将多幅局部图像拼接成所需图像的整体面貌。图像配准的速度与准确率是目前图像处理领域中的热点与难点。如何提升图像配准的速度和图像拼接的质量在各研究领域中有着重要的意义。图像配准即针对两幅或多幅有共同部分的图像,对它们进行匹配与拼接来得到一张完整图像的技术。实现该技术的方法大致分为三类,分别基于图像的灰度信息、变换域以及图像的特征。本文中的SIFT(Scale-invariant feature transform)算法即是基于图像中的特征进行图像配准的算法。该算法在图像的不变特征提取方面效果很好,但对于某些特定的图像,如:噪声多、像素高及某些信息位置集中的图像,该算法的运算速度会较慢,不能很好的保证高实时性的特定要求,仍然存在不足。本文首先对SIFT算法及其变种算法的原理与过程进行了深入讨论,并进行实验过程对比分析,在此基础上,针对SIFT算法应用于某些特定图像运算速度上的不足进行改进。即运用SVD(Singular value decomposition)方法对初始图像进行压缩处理,通过压缩,选取合适的特征值数量,使得图像中提取的特征点描述子减少,从而减小算法的运算量,达到减少运算时间的目的。通过数值实验结果分析,验证了图像压缩处理过程中使用特征值的数量与算法提取到的特征点描述子的总数量成正比关系,以及特征点描述子的总数量与算法的平均运算时间成正比关系,即本文的改进提升了SIFT算法的运行速度。改进后的算法在保证原有准确率的同时,计算速度比原有算法更快,为图像配准的工作提供了很好的保障。