合成孔径声呐（Synthetic Aperture Sonar）技术,简称SAS技术,是属于侧扫声呐的一种,其特点是在方位向上的分辨率与目标距离无关。SAS技术的实现原理是通过基阵在方位向上匀速运动之后,利用声波在水中的相干性,模拟出一个虚拟的大孔径,最终使得方位向上的分辨率与目标距离无关。SAS技术的发展对于海底地形探测以及海洋安全等方面都有着至关重要的作用。然而声呐系统生成的图像一般都是条带状的,并不利于直接观测,所以,本文对SAS图像的拼接技术以及相应的算法进行了深入研究,并结合了SAS技术的特点,优化了部分算法。本文的主要内容如下:讨论了SAS技术的实现原理,在数学上证明了SAS技术能够在方位向上达到高分辨率。分析了SAS技术主要的几种成像算法,包括逐点成像算法以及逐线成像算法。逐点成像算法虽然精确并且利于理解,然而其算法的复杂度过高,会影响SAS系统成像的速度。逐线成像算法主要包括距离多普勒算法、Chirp-Scaling算法以及波数域算法,其中距离多普勒算法利用的是泰勒展开进行近似,而Chirp-Scaling算法和波数域算法则采用Stolt变换,不同的是Chirp-Scaling算法是近似,而波数域算法则是精确计算。这就导致了Chirp-Scaling算法在观测角度过大的情况下会严重影响成像结果。在特征提取方面,分别分析了Scale-invariant Feature Transform（SIFT）算法、Speed up Robust Features（SURF）算法、Oriented Fast and Rotated Brief（ORB）算法以及基于超点结构的深度学习算法的性能以及在对声呐图像处理时的优缺点。上述四种算法都具备旋转不变性以及尺度不变性,相比于SIFT算法以及SURF算法,ORB算法以及深度学习算法的特征提取速率要更快,然而由于ORB算法在提取特征点时优先提取区分度较高的特征点,所以会导致出现特征点集群现象。本文为了改进ORB算法,提出了利用四叉树来进行均匀化提取特征点的策略,最终在不影响算法速率的情况下,完成了图像的拼接工作。在特征点匹配方面,提出了基于平衡KD树的K近邻算法,简称KNN算法,以及加权优化之后的KNN算法。同时,利用了RANSAC算法进行了匹配对之间的优化,最终生成匹配图像之间的单映矩阵。而根据声呐图像局部区分度不高以及可能产生图像阴影的这些情况,提出了利用匀速运动模型来优化特征点的匹配。之后,讨论了图像融合算法在声呐图像上的选择策略。最后对本文的工作作出了总结。