计算机科学和信息技术等相关领域的蓬勃发展,使各种类型传感器的普及度大大提高的同时,人们对采集不同模态与频段图像的需求也快速增长。单一传感器捕获的场景信息表现出一定程度的局限性,难以满足更多应用的需求。由于不同类型传感器获取的信息之间具有天然互补性,能够在不同应用场景下进行应用。多源图像融合技术旨在将多种不同频段不同模态的图像进行分析整合,从而获得更为全面的成像信息。该领域中最为典型的即是红外与可见光图像融合任务,其在智能监控、自动驾驶、环境监测等方面已有大量的应用。而作为图像融合的前提条件图像配准技术对于融合的效果具有举足轻重的作用,因此也一直是学术界和产业界的研究热点。本文通过对传统算法在红外与可见光图像配准任务中进行实验,分析了传统算法对于多光谱配准任务瓶颈:特征描述子对共性特征的抽象描述性能。本文将采用由简到繁的思想,循循渐进达到最终目标。首先对相对简单的单光谱航空图像与卫星图像配准算法进行实验,通过采用The Inria Aerial Image Labeling Dataset进行自我标注与训练,得到对于视角变换与尺度变化具有一定鲁棒性的特征描述子,在University-1652数据集中进行实验,验证了算法的有效性。由于航空图像对于地面目标的拍摄时的环绕飞行,采集的航空数据可能具有较大视角变换与旋转特性,经典算法对于较大旋转角度的不足被较好解决,取得了较为理想的效果。其次,对于多光谱图像配准,由于红外与可见光图像之间由于传感器的成像原理不同,相同场景的灰度值之间呈现出非线性的映射关系,对传统基于手工设计的特征提取红外与可见光配准算法难以达到理想的效果。由于神经网络对于特征较高的抽象描述性能,想要通过训练来得到一个对于红外与可见光图像共性特征具有较高抽象描述性能的特征描述子。我们首先采用预训练的特征点检测网络对于RGB-NIR Scene Recognition Dataset数据集中成对红外与可见光图像进行特征点标注,以获得训练的标签。然后采用红外与可见光图像同时作为输入对预训练网络进行再次训练,以引入红外与可见光的共性特征信息。在XT2采集得到校园场景红外与可将光图像配准中的实验结果表明,训练后得到的算法能够取得理想的效果。最后,我们通过将配准算法在图像插值与融合算法中进行应用性实验的效果,证明了算法具有一定应用有效性。