遥感影像的配准与融合是遥感领域中的一项重要的图像处理技术。遥感影像融合能将不同传感器、不同分辨率、不同谱段、不同时相的遥感数据进行信息综合,去除冗余信息,整合互补信息,得到比单一信息源更准确、更丰富的图像信息,不仅提高了信息利用率,也是解决海量遥感影像数据处理的有效途径。而遥感影像的配准是进行融合的基本先决条件,没有高精度的图像配准就不能有效进行图像融合,遥感影像的配准对融合有着举足轻重的地位。在配准方面,本文针对在大范围几何形变和光谱信息差异的遥感影像间配准的困难,利用尺度空间中具有尺度不变性的SIFT点特征和Harris-Laplace点特征,建立了两套图像自动配准的方法。在基于SIFT特征的配准方面,本文详细分析了SIFT特征的尺度不变性,采用基于圆域的主方向计算方法,改善了特征的旋转不变性,使得图像可以在任意旋转角度上进行配准。特征空间则模仿了灵长类动物的视觉神经元模型,以区域图像梯度直方图的方式建立。特征匹配则采用距离粗匹配和位置聚类细匹配相结合的方式,粗匹配时利用k-d二叉树进行最短距离搜索,大大提高了运算效率,细匹配则依据特征主方向提出了简化的广义HOUGH变换进行位置聚类,提高了聚类速度并降低了对存储量的要求。在基于Harris-Laplace特征的配准方面,本文详细分析了其特征尺度的不变性,提出了尺度空间投影法,统一多尺度为单一尺度,并仿照SIFT特征描述子建立了归一化的特征空间,使得特征空间具有了尺度、旋转、光照不变的特性。特征匹配则采用距离粗匹配结合RANSAC位置一致性检验细匹配的方式进行。并通过实验对配准过程中的各参数进行了最优化设置。通过大量实验证明,两种方法均能在不同旋转角度、不同分辨率、不同光谱信息的遥感影像间完成精确的自动配准。在融合方面,本文主要采用拉普拉斯金字塔分解与重构的方法进行遥感影像融合,总结了数十种多分辨率的融合规则,并采用高提升滤波进行了分层融合,得到了较好的融合效果。通过大量实验从主客观评价和运行效率等方面分析了融合级数和邻域大小对融合效果的影响情况。文中得出的结论很容易应用到其他多分辨率图像融合中,具有一定的借鉴意义。