在过去的几十年中,遥感传感器在数据质量和成像特性上都经历了快速发展。多光谱扫描仪虽成像信息丰富,但无法在夜晚、云雨、雾等复杂自然条件下成像,SAR设备却不受这些复杂自然条件的影响。由于这两种传感器的成像原理不同,所反映的地表特征千差万别,因此,这两种数据的融合可以更好的解释成像区域的特性,为变化检测、灾害评估等遥感应用提供更好的支持。数据融合的前提就是图像配准,本文针对SAR图像与可见光图像的配准进行了研究,具体工作如下:1、研究了图像配准的常用方法以及深度学习在图像配准中的应用。阐述了图像配准的发展历史和基本理论架构,总结了图像配准中常用的相似性度量指标、图像的几何变换函数、图像的特征描述符以及图像配准的评价标准。2、提出了一种基于结构相似性的SAR图像与可见光图像配准方法。通常,SAR图像与可见光图像配准需要手动选择控制点,这样不仅没有充分考虑异源图像所保留下来的结构信息,也无法达到全自动图像配准的目标。本文首先将Harris检测器的响应函数从一阶项扩展为二阶项,并构建一个通过组合像素空间及灰度信息的权值函数,从而可以更精确地构造特征描述符。接下来,使用角点的幅值和方向来创建结构特征描述符用于描述局部图像区域。最后,基于生成的点特征建立对应关系,并将待配准图像中的所有像素映射到参考图像。实验结果表明,与传统的Harris角点检测器相比,本文改进的检测器可以获得更好的检测性能。此外,SAR图像和可见光图像的配准实验证明了所提出方法的有效性和准确性。3、提出了一种深度学习架构的SAR图像与可见光图像配准方法。与分别进行特征提取和特征匹配的传统方法不同,本文所提出的方法首先从待配准图像和参考图像中分别提取图像对,然后直接学习图像对与其匹配标签之间的映射关系用于后续图像配准。这种端到端的结构允许我们充分利用有限数据优化整个模型,这是传统方法所不具备的,实验结果也验证了该方法的有效性。