线性相关图像的对齐问题受到越来越多的关注,实际中获取到的图像通常会受到稀疏噪声、高斯噪声等噪声的干扰,给现有方法带来很大挑战。给定一组图像,把每一幅图像按照前切片的形式进行排列,使多幅图像数据堆栈成三阶张量数据。线性相关的图像堆栈出的张量数据具有低秩结构。在此背景下,现有文献提出了多种方法刻画张量的低秩性,但这些方法获得的张量的秩往往不是很低。针对线性相关图像的对齐问题,首先,本文结合张量分解和变换张量积刻画张量的低秩性,将低秩张量分解为两个较小张量的酉乘积,通过控制两个较小张量的大小控制目标张量的秩。相比于传统张量积,利用张量酉乘积可以获得更加低秩的张量。本文把图像受到的干扰噪声分解为稀疏噪声和高斯噪声的和,应用张量lp（0＜p＜1）范数度量稀疏性。与张量l1范数相比,张量lp范数可以得到更加稀疏的解。利用观测到的张量数据与低秩张量、稀疏噪声差的张量Frobenius范数度量高斯噪声。其次,在所提模型中,有关非线性域变换的求解是比较困难的,本文利用广义高斯-牛顿算法进行求解,通过线性近似逼近非线性变换。模型中子问题的目标函数是非凸的,本文提出邻近高斯-赛德尔算法对模型中子问题进行求解,证明了通过该算法得到的序列可以收敛到子问题目标函数的稳定点。根据子问题目标函数的Kurdyka-Lojasiewicz性质,分析了邻近高斯-赛德尔算法的收敛率。最后,在不同的数据集上的图像对齐实验结果证明了本文所提方法的有效性。与常用的几种图像对齐方法相比,本文所提方法的重建误差最小,从视觉效果上看,恢复出来的图像对齐效果更好,并且,本文所提算法运行时间更快。