遥感图像间的匹配作为遥感图像处理与应用的重要基础，一直是遥感数据处理领域的研究热点和难点之一。随着成像技术的快速发展及对图像解译、应用需求的急速增长，遥感图像已经出现了多传感器、多时相、高分辨率的趋势。图像融合、镶嵌、变化检测、三维重建等应用需求，都需要多传感器遥感图像匹配处理作为基础。丰富的遥感数据类型也进一步拓展了遥感的应用领域，不同的传感器所测量的地物信息不同，主动成像传感器测量了地物的粗糙度，被动成像传感器测量的是地物的温度及反射量。多源遥感图像匹配的主要难点就在于如何有效处理传感器成像原理差异导致的图像差异。传统的多源匹配方法，为了保证匹配结果的高精度和可靠性，往往采用人工选取控制点(CPs，Control Points)的方法，对图像对上相似的明显地物特征进行配对。这类方法由于人工的参与使得工作效率受限，已经无法满足现在自动化处理对遥感数据的要求。人们在后期研究中，提出许多的方法和改进策略，均在匹配精度、运算效率、以及鲁棒性上进行折中。因此，如何从不同分辨率、不同传感器的遥感图像中准确、高效地实现图像的精确匹配具有重要的研究意义。论文的主要研究内容如下:　　(1)研究了星载合成孔径雷达(SAR，Synthetic Aperture Radar)影像与光学遥感影像的精匹配方法。现有的SAR影像与光学遥感影像匹配方法都是利用图像中的几何特征作为所谓的匹配先决条件，以克服SAR影像中的乘性相干斑噪声对匹配的影响。但是特定的几何特征限制了算法的适用性，对于大刈幅的遥感图像并不具有普适性。本文充分利用图像的大尺度梯度结构特征来减少SAR图像相干斑噪声对图像间相似性度量有效性的影响，提出了一种新的IRS(ISEF-ROA-SVD)梯度算子，通过在图像灰度域与梯度域上分别进行“滤波”处理，得到SAR图像的大尺度梯度结构。再以梯度图为基础，采用归一化梯度互相关(NGC，Normalized Gradient Cross-Correlation)作为SAR和光学图像相似性度量方法，计算得到图像间同名点对。通过随机一致性(RANSAC，Random Sample Consensus)算法对同名点进行筛选，并采用三角网（TINs，trianglenetwork）对图像进行变换，可以达到较高精度的匹配结果。　　(2)研究了星载高光谱影像与全色影像、红外影像与全色影像间的匹配方法。根据红外影像与高光谱影像的图像特征，提出了一种基于图像梯度结构特征的匹配方法，此方法结合了图像的梯度结构特征与结构相似性(SSIM，Structural Similarity Measurement)，与传统的图像边缘特征的匹配方法相比较，提出的方法能够准确的计算大分辨率差异图像的同名点对。通过中值漂移传播(MSP，Median Shift Propagation)算法对同名点对集合进行纠正误匹配点。该方法在保持较高计算效率的同时，还可以得到较高的匹配精度。　　(3)研究了低相关性图像间同名点的亚像素定位问题。针对图像间相似性度量时，系数图中峰值的精确定位问题展开研究。主要研究了峰值的相关区域定位，以及峰值的亚像素定位问题，提出了一种基于2DGaussian拟合的亚像素SAR图像与光学图像自动匹配方法。由于SAR与光学图像间的低相关性和噪声的影响，图像间的相关系数并非理想的冲击函数。通过对峰值相关区域内的相关系数进行函数拟合，重新插值得到具有亚像素精度的峰值位置，即得到具有亚像素精度的同名点对。该匹配方法能在提高匹配精度的同时，可以对部分不准确峰值位置进行纠正。　　(4)研究了SAR图像与光学遥感图像间相似性度量的有效性问题。针对图像间的相似性度量问题，分析了多种相似性度量方法在不同场景中的度量结果。比较得到场景适应强且度量精度较高的度量方法。