图像配准是数字图像处理中的一个基本问题，它是进一步全面、准确进行图像分析的前提和关键。图像配准是将由不同传感器在不同时间或不同视角下获取的同一场景的两幅或多幅图像进行匹配的图像处理技术。经过多年研究，图像配准已广泛应用在图像融合、图像跟踪、卫星遥感等领域。图像配准目前大致可以分为三类：基于像素灰度的图像配准方法、基于变换的图像配准方法和基于特征的图像配准方法。实验表明，基于特征的图像配准方法能够将对整个图像进行的各种分析转化为对图像特征的分析，从而大大减小了图像处理过程的运算量。故基于特征的图像配准算法已经成为了图像配准研究的主流。因此，本文重点深入的研究了基于特征图像配准算法中的点特征提取的图像配准方法。本文研究首先研究和分析了经典的点特征提取算法：Moravec算子、SUSAN算子和Harris算子，并通过实验比较、验证了这三种点特征检测算子的性能。其次，鉴于Harris算子能够较均匀、合理的提取图像中点特征的但自身不具备尺度不变性的问题，本文引入了多尺度特征点检测的思想。本文重点研究了基于尺度空间的多尺度特征点检测算法Harris-Laplace算法和SIFT描述子。针对Harris-Laplace算法在多尺度特征点检测中出现大量冗余点的问题，本文提出了基于局部结构最优表示和冗余点剔除的改进Harris-Laplace算法。再次，本文利用随机抽样一致检测算法(RANSAC)进一步剔除了粗匹配过程中产生的错误匹配特征点对并进行了变换矩阵的估计，实现了图像的配准。最后，本文利用提出的改进图像配准算法实现了基本的图像融合，取得了比较好的效果。图像配准主要是提高算法处理的速度和精确度，但是由于不同应用场景的应用需求不同，所以一个普遍适用的算法现在还未解决。通过实验结果表明，本文提出的基于改进Harris-Laplace算法相对于经典Harris算法和Harris-Laplace算法具有以下优势：具有经典Harris特征点分布均匀合理的优点，克服了该算法对尺度敏感的不足；同时相比原来Harris-Laplace算法具有更高定位精度、更快配准速度和更强的鲁棒性。