图像配准作为图像处理领域的关键技术,在遥感图像技术等领域具有广泛应用。但是,当不同设备获取的图像由于地物位置、成像时间、拍摄角度等差异时,会产生如旋转、缩放、扭曲等非刚性变化。当局部存在剧烈非刚性变化时,就形成了局部畸变图像。复杂的非刚性变化会导致畸变区域检测的特征点少、匹配数量少、误匹配率高,从而增大图像配准的难度。因此,本文提出ORB-DTM匹配算法。利用改进的基于四叉树的ORB（Oriented FAST and Rotated BRIEF）特征匹配保证畸变区域特征点数量,然后利用畸变区域结构相似性,结合BP分类器和DTM（Delaunay Triangulation Match）算法进行误匹配消除。本文的具体工作如下:首先,本文提出基于四叉树的改进ORB特征匹配算法。遥感图像的配准过程存在特征点提取过量、分布不均、匹配中存在一对多等情况,不仅耗时而且大大增加了误匹配数量。不同于整体形变,保证局域畸变区域的有效匹配数量是保证非刚性图像配准精度的重要前提。因此,本文利用四叉树的分层提取策略保证提取图像的特征点分布均匀。然后,结合具有尺度不变性和旋转不变性的BRISK描述子,有效的提升了匹配的准确率与时间效率。其次,本文设计了两步误匹配消除策略。局部畸变图像由于畸变区域结构复杂、遮挡、成像质量低等原因,往往会出现大量的误匹配。因此,本文提出两步消除策略。第一步,训练BP分类器,通过构建特征点的邻域信息作为匹配表示进行分类正确匹配对,然而在畸变区域仍潜在错误匹配对。第二步本文提出一种DTM算法,构建Delaunay三角网的结构,利用三角网的空间一致性、三角形的相似性进行有效的误匹配消除,有效的提高了局部畸变区域的匹配效果。最后,综合配准点数量、时间、准确率以及匹配点的分布情况等评估标准,对比于经典的误匹配消除算法（RANSAC算法、VFC算法、WGTM算法）,实验证明了本文算法在不同畸变程度数据集的有效性和鲁棒性,在保证能提取足够多的特征点的同时保证准确率,具有实际的应用意义。