近年来,图像配准逐渐成为图像处理领域中的热点技术之一,在目标的识别与跟踪、三维重建、医学图像处理等领域有着重要的实用价值。图像配准的目的是使用相关算法,基于一定的评估标准,将一幅或多幅图像精准地映射到待配准图像上。在图像配准算法中,点集配准是较为典型的方法,它通过估计点集之间的对应关系,恢复点集间的空间变换。由于图像背景复杂且受外点、噪声等影响,图像配准算法面临精度、准确性、鲁棒性等挑战。针对上述问题,本文提出了几种更为稳健高效的图像配准算法,进一步提高图像配准的性能。本文主要工作内容如下:1、提出一种图像特征描述子与全局结构特征融合的图像配准算法。传统的基于特征的配准算法应用广泛,但由于图像自身的复杂性及外界因素的影响,此类配准算法的精度与实时性通常难以兼顾。针对这一问题,本文将图像配准问题转化为特征点集的配准问题,构建基于概率密度估计的点集配准框架,利用特征点之间的全局结构特征和图像特征描述子相似性共同确定正确的匹配点对。实验结果表明,将二者共同融入高斯混合模型后,点集配准的过程更加鲁棒快速。相较于传统的基于点特征的图像配准算法,本文算法可以有效的提升图像配准的精度与效率。2、提出一种基于K近邻的多结构特征融合的图像配准算法。图像间的退化、重复的纹理结构、以及外点等因素会导致匹配误差增大,配准算法的计算量增多。针对这一问题,一种基于K近邻空间邻域的局部结构描述子被定义,该描述子仅与特征点周围的空间结构有关,包含了特征点与近邻点间的距离和角度信息,构成简单且旋转不变性较强,不易受图像本身的影响。构建特征点集后,将此K近邻描述子作为一种局部结构特征,并与全局结构特征融合,可更加全面地描述点集的几何结构,在一定程度上缓解因局部几何结构相似导致错误识别的问题。实验结果表明,该算法可有效提高图像配准精度与效率。3、提出一种基于加权混合特征的图像配准算法。在基于特征的图像配准算法中,往往只采用单一的图像特征进行配准,这会影响其配准效果甚至限制应用领域。针对上述问题,为使图像配准在更多应用场景下达到预期效果,一种应用混合图像特征点实现点配准的算法被提出。混合特征由两种特征点组成,一是定位精度、鲁棒性较强的尺度不变特征转换（Scale Invariant Feature Transform,SITF）特征点,二是能够反映物体主要结构的直线交叉点。两类特征点共同构建混合特征点集,通过加权处理融入高斯混合模型后,重构后验概率模型,使用最大化期望算法进行求解,两种特征点相互补充,更精准地构建点与点的模糊对应关系,以获得更多正确的特征点匹配对。经实验验证,该算法在图像配准的准确率与配准精度上有明显的提高。