非刚性图像配准问题是计算机视觉和模式识别领域一个很基本也很重要的研究内容,而基于特征点的非刚性图像配准方法在医学图像、军事自动目标识别、卫星图像和数据编辑分析等应用场景都发挥了很大的作用,也是本领域研究的重点。因为对于复杂多变的应用场景,图像中包含的信息会存在差异,所以提出一个具有普适性的,鲁棒性强的点集配准算法是很必要的。这样针对不同的应用场景,只需要利用先验知识提取特征点,之后就能使用这个算法来进行图像配准。本文提出了一种基于高斯混合模型(GMM),具有强鲁棒性的非刚性特征点集配准算法来处理数据退化之后的配准问题。想要解决非刚性特征点集配准问题,关键在于解决寻找对应关系的问题和求解出空间变换函数。而对于数据退化严重,特别是离群点和噪声增多的情况,现阶段还没有一个特别好的方法能完美解决。这需要配准算法在配准过程中不仅要关注图像的全局信息,也要关注图像的局部信息。为了解决寻找对应关系的问题,在本文中,将配准问题视为概率估计问题,用高斯混合模型来对目标特征点集建模;将寻找点对应关系问题转化为估计混合密度的问题,使得一个特征点集的高斯密度质心与另一个特征点集保持一致。模型中加入KL(Kullback-Leibler)信息熵来做正则化项,并且利用形状描述子来初始化模型参数,使用确定性退火的方法来优化模型,保证算法在遇到离群点和噪声的情况下也能正确的完成任务。为了求解空间变换函数,在本文中,使用薄板样条平面的非刚性空间映射来对要求解的空间变换进行参数化,将空间映射描述成仿射变换函数和非仿射变换函数的组合。最后利用交替更新对应关系和空间变换函数的方法进行求解,直到收敛。本文设计了4组侧重点不同的实验,给出了配准结果并进行了量化评估,证明了算法的普适性和鲁棒性,并且和目前已经发表的几种先进方法进行对比。实验结果表明,本文算法在数据退化的情况下,也能得到较满意的配准结果。本文最后对脑MRI图像进行了配准实验,证明了算法能应用于医学图像配准方向上。