图像配准是将不同传感器在不同时间或不同成像条件下对同一景物获得的两幅或多幅图像在空间上对准，是图像处理的基本问题之一。配准效果将对图像拼接、图像识别、目标跟踪等后续工作有直接的影响。本文在对基于图像特征的配准方法进行分析的基础上，对基于边缘特征点的图像配准和基于边缘的图像配准进行了研究。基于边缘特征点的图像配准有两个重要的环节：一是图像边缘特征点的提取，二是特征匹配准则。特征点提取的准确性及稳定性将会对后续的配准工作产生影响。特征点在提取过程中对位置变化、灰度变化、噪声、部分遮挡有较好的适应性，本文依据图像的边缘轮廓特征利用动态支持域的改进CSS算法提取边缘角点，然后分别利用奇异值分解和马氏距离的方法对提取的特征点进行配准。奇异值分解利用数据分析法，找出大量数据中所隐含的模式，进而进行匹配，实验证明，奇异值分解具有平移旋转不变性。马氏距离的大小不仅与各个点集相对分布有关，而且与各个点集自身的分布有关，应用马氏距离对不同传感器图像进行配准，实验证明，马氏距离具有一定的实用性，对误匹配的剔除需要进一步改进。基于边缘的图像配准是以图像边缘为特征单元。Hausdorff距离描述两个点集之间的相似性度量，具有很强的抗干扰能力和容错能力，然而单纯的Hausdorff距离对噪声和孤立点比较敏感，导致误匹配率较高。本文采用加权平均的方式去除一些出格点实现求取部分均值的Hausdorff距离改进形式。针对配准中全局搜索对配准速度的影响，引入遗传算法作为搜索策略。在遗传操作中，利用改进的MSE-Hausdorff距离作为配准的相似性度量来构造遗传算法的适应度函数，以此确定出最优变换参数，完成基准图和配准图的配准。实验证明，这种改进的部分Hausdorff距离可以很好地克服噪声和部分遮挡对图像配准精度的影响，大大提高了运算的效率。