图像拼接就是将一个场景中一系列具有重叠区域的图像连接成一副全景图。图像拼接技术在智能交通、远程监测、遥感、医学等领域有着重要的应用，拼接效果的好坏主要依赖于图像配准和图像融合，而图像配准技术又是图像拼接的核心技术。目前研究的图像配准方法有基于灰度、基于变换域和基于特征的配准算法。其中基于特征的配准算法由于具备较高的鲁棒性应用范围最广。特征匹配算法有两种最为经典的算法Harris角点和尺度不变特征变换(Scale Invariant FeatureTransform，SIFT)。Harris角点计算简单，稳定性高，但该算法不具备尺度不变性，因此Harris角点不能用于存在尺度缩放的图像配准。SIFT被证明是在旋转、尺度、视角、平移、噪声、亮度变化下鲁棒性最高的特征点，但该算法运算复杂，实时性不高。此外，目前所有的特征配准算法都是针对边缘清晰、质量较高的图像，而对于边缘模糊的图像，当前特征点算法均不能有效配准。结合SIFT和Harris算法各自的优势，本文提出一种对SIFT特征提取环节进行改进的算法SEC(SIFT-Edge-Corner)。SEC在图像的高斯边缘层提取Harris角点定义为关键点。然后对比关键点处的DOG（Difference of Gaussian）值，若为局部极值，则定义该点为SEC特征点。最后通过实验验证了SEC算法有效提高了SIFT的特征提取效率及速度，并一定程度上提高了匹配精度。为了解决模糊图像的配准问题，本文提出了灰度偏移极值算法，定义中心像素灰度值偏移局部像素均值最大的点为特征点。然后采用二维二次曲线拟合求导的方法，将局部极值精确定位于亚像素级，最后采用分32维NMI（normalizedmoment of inertia，归一化转动惯量）对特征点进行描述，通过度量特征向量的距离以实现配准。经实验验证，灰度偏移极值算法能够有效配准模糊程度较深的图像，并具备旋转、平移、视角、亮度不变性。有文献提出可以采用相位相关算法对图像进行排序，但仅限于简单平移的图像。本文将极坐标下的相位相关和对数极坐标下的相位相关算法引入到排序算法中，增强了算法的适用范围。最后，采用渐入渐出的加权平均融合算法对图像进行融合，实现了图像的拼接。