多传感器图像集体配准将来自多个成像设备图像进行同时配准。它是图像融合、图像超分辨率重构、人脸识别，目标跟踪和图像拼接等许多图像处理问题的重要步骤。多传感器图像集体配准方法相比于多传感器图像两两配准方法，考虑了更全面的图像信息，降低了计算复杂度。目前对于多传感器图像进行集体配准的研究并不多，并且由于对应用问题考虑不够深入和全面，提出的配准方法精确度低、成功率低、适应性差。针对上面的问题，本文对于多传感器图像集体配准方法进行研究，重点分析集体配准方法的模型构建方案和整体处理流程，以期能够构建精确度高、成功率高、适应性强的多传感器图像集体配准方法。论文主要贡献包括以下几个方面：　　①提出结合图像融合技术的多传感器图像集体配准方法。　　考虑到图像配准与图像融合存在密切的相互影响的关系。本文提出联合图像融合技术的多传感器图像集体配准方法（Joint Fusion and Groupwise Registration，简记为 JFGR），对于图像集体配准与融合问题进行联合处理。首先，利用一个线性变换模型加高斯混合噪声来模拟融合图像到配准图像的转换过程。同时，利用另一个高斯混合模型（Gaussian mixture model，GMM）模拟待配准图像与融合图像的联合强度向量的分布。然后，将这两个模型结合在一个似然函数中，把求解图像集体配准和融合问题转化为估计配准参数和融合图像的问题。通过大量的实验表明本文提出的方法相比于其他的传统方法而言，不仅在多传感器图像配准上有一定的优势，同时也提升了图像融合的效果。　　②提出考虑像素空间关系的多传感器图像集体配准方法。　　大部分多传感器图像集体配准方法中的 GMM假设每一个联合强度向量是相互独立的，没有考虑其空间位置关系，降低了方法的配准精度和抗噪能力。故本文提出两种考虑空间关系的多传感器图像集体配准方法，使其在刻画联合强度向量分布的过程中考虑周围向量的影响。第一种方法对于强度向量类别分布加入空间约束（Pixel Label Spatial Constraint Groupwise Registration，简记为PLSCGR）。该方法利用结合狄利克雷过程的GMM刻画强度向量，同时，引入马尔可夫随机场刻画强度向量的类别变量分布。最后，采用变分贝叶斯方法对于相关参数进行求解。第二种方法直接在强度向量分布中引入空间控制机制（Intensity Vecter Spatial Constraint Groupwise Registration，简记为IVSCGR）。该方法利用含有局部模板的 GMM刻画强度向量分布。计算局部模板权重系数时同时考虑中心向量和邻居向量的空间位置关系和像素灰度相似度。最后，利用期望最大化算法求解最大似然函数的方式来估计相关参数。实验结果表明，本章提出的两种多传感器集体配准方法的配准精度能够保持甚至超过现有的此类方法，并且，能够降低图像噪声对于配准精度和成功率影响。　　③提出一种从粗糙到精细的多传感器图像集体配准方法。　　目前大部分多传感器图像集体配准方法属于基于区域的配准方法，此类方法配准含有较大偏移量的图像时成功率和精确度会大大降低。故本文提出一种粗糙配准与精细配准结合的多传感器图像集体配准方法。在粗配准阶段，待配准图像被分为基准图像集与偏移图像集，对于两个集合中的图像采用分割区域匹配的方法进行配准（Segmented Region Match Registration，简记为SRMR）。根据匹配对求解粗糙配准参数并对于待配准图像进行变换。在精细配准阶段，提出基于空间约束混合student-t模型的集体配准方法（Spatial Constraint Student-t Mixture Model Groupwise Registration，简记为 SCSMMGR），对于经过粗糙配准的图像，采用含有空间约束的混合学生 t模型刻画其联合强度分布并利用最大似然函数法求解精细配准参数。实验结果表明，本文方法在待配准图像含有较大偏移量的情况下能够提高配准成功率，其最终的配准精度接近目前表现较好的集体配准方法。