多源图像融合技术为复杂场景下全天时高质量图像数据的获取提供了可能。图像融合的关键是图像配准,而场景特征在多源图像中的共性表示、提取以及利用相关特征求取图像间最佳空间变换关系,是实现图像配准的难点和重点。结构特征是图像中比较准确、鲁棒的特征,基于结构特征进行多源图像配准,能够达到更好的精度。而骨架作为一个具有平移、缩放、旋转、透视不变性的结构特征,适用于多源图像配准。本文研究了图像中骨架结构特征提取问题,详细分析了基于Delaunay三角剖分的骨架结构特征提取算法。针对现有算法在噪声和小形变影响下性能劣化的情况,提出利用高斯金字塔结合边缘平滑的方法改善算法性能。随着金字塔操作层数增加,噪声对图像中目标边缘的影响下降,直到能够提取到稳定的目标边缘为止。同时,通过对二值图像进行高斯滤波,进一步改善了边缘的平滑性。针对现有方法在三角剖分过程中由于边缘点距离过近而导致产生大量干扰三角形的问题,通过轮廓采样逼近和阈值筛选策略来改进其性能。首先依据边缘梯度变化确定合适的采样间隔,形成剖分三角形集合并计算保留三角形阈值,迭代处理获得最终的剖分三角形集合,改进后的方法极大的抑制了干扰三角形的产生。将上述多种改进措施综合应用于骨架结构特征提取,获得了较好的效果,为图像配准应用奠定了基础。本文完成了基于三角剖分的骨架结构特征提取及多种改进方法,给出了相关算法的仿真结果及性能对比分析。在此基础上,设计了完整的多源图像配准框架,针对几种典型的图像配准场景,进行了仿真实验。实验证明,本文所提出的算法能够较准确地提取骨架结构特征,并具有一定的鲁棒性,可以适用于多种场景。图像配准实验表明其可以在较低质量多源图像的条件下实现图像配准。