图像配准技术作为模式识别和图像处理中的一种基本的手段和方法，在计算机视觉、遥感技术、图像融合、图像的超分辨率重建和医学图像处理等很多领域都有着广泛地应用。随着应用的深入，对图像配准的精确性、适应性和高效性都提出了更高的要求。图像配准按照所使用的方法可以分为两类：基于区域的图像配准和基于特征的图像配准,其中基于特征的方法将对整个图像的分析转化为对图像某种特征的分析，大大提高了运算的效率，而且对灰度变化、图像变形以及遮挡等都有较好的适应能力。本文重点研究了基于特征点的图像配准技术，以期能够实现在复杂成像条件下图像的快速、精确配准。主要研究内容分为以下三个方面：(1)系统地介绍和分析了基于特征点的图像配准方法的几项相关技术，包括特征点的提取，特征点的表示和描述，特征点的匹配，空间变换矩阵的估计，重采样和插值技术和图像配准精度的分析六项基本的内容，重点分析了特征点的提取、描述以及匹配三个关键的环节，并简要介绍了几种相关的算法，通过具体的实例分析了各自的优缺点和需要解决的问题。(2)从人类大脑视觉神经细胞的感受野的概念出发，介绍了一种被称为超复杂神经元细胞以及它的数学模型—尺度相互作用模型，并采用墨西哥帽小波取代常用的Gabor小波，生成尺度相互作用模型下墨西哥帽小波图像特征点检测算子，实验证明该检测算子对经过旋转、亮度变化、模糊以及噪声处理后的图像都能提取出相对位置和数量都较为一致的特征点，并在其中加入了尺度因子以抵消图像尺度变化对所检测的特征点定位的影响。之后，针对不同的图像失真类型，分别利用对数极坐标变换和归一化伪Zernike矩的方法实现了特征点的匹配并完成图像的配准。精度分析可以看出对应点匹配的均方根误差都可以一个像素范围之内。(3)提出了一种基于SURF-DAISY算法和随机kd树算法的图像配准方法。首先提出了一种SURF-DAISY算法，该算法将标准SURF（Speeded Up RobustFeatures，SURF）算法中特征点提取方法分别用到参考图像和待配准图像中,之后利用DAISY算法计算特征描述矢量，有效地提高了描述算子生成的速度，充分发挥了SURF特征检测器的鲁棒性以及DAISY算法的高效性；针对DAISY描述算子维数较高，造成匹配时间较长的问题。在特征点匹配过程中采用随机kd树算法，在保证匹配正确率的同时提高了搜索的速度，并通过RANSAC（Random SampleConcensus，RANSAC）算法剔除误匹配点对，最后根据余下的匹配点对估计出两幅图像间的空间几何变换参数完成配准，在基本保持配准成功率的前提下，减少了整个配准过程的时间。实验结果表明：相对于标准的SURF算法，本文方法在基本保持性能不变的同时，配准过程所消耗的时间最多减少了45.6%,从而证明了该算法是一种快速鲁棒的图像配准方法。