图像配准技术被广泛应用于经济社会的诸多领域，如医疗、遥感、工业、军事、农业等。图像配准可大致分为手动配准和自动配准两大类，其中自动图像配准近年来成为该研究领域的热点。自动图像配准又可分为基于区域和基于特征的两个方面。前者直接利用区域像素的灰度和位置信息，计算待配准图像和参考图像的区域相似度，从而得到变换模型的参数，最终实现配准；后者则需要提取图像特征，进行特征匹配，根据匹配的结果计算变换模型的参数，能够更加鲁棒地实现图像配准。基于特征的图像配准技术的总体性能优于基于区域的图像配准技术，因此得到了学者们的广泛关注，并取得了一定的研究成果。特征提取和特征匹配是基于特征的图像配准技术的主要研究内容，也是目前的研究重点和算法改进的两个方向，因此，图像特征表示的研究也就具有十分重要的意义。图像特征通常包括形状特征、颜色特征和纹理特征，不同形式的特征有不同的特征表示方法。从另一个角度来讲，这些特征各自分为局部特征和全局特征。其中，SIFT算法是角点特征提取算法中鲁棒性最好的一种算法，它提取的角点特征属于局部特征，具有良好的尺度、平移、光照和仿射不变性。由于其良好的性能，基于SIFT算法的图像配准技术愈来愈成为人们的研究热点。本文首先介绍了特征表示的相关理论，概括了图像配准的基本理论和方法；然后对基于角点特征提取算法（Harris算法、SUSAN算法和SIFT算法）的图像配准方法进行了研究与分析比较；最后，选择了鲁棒性最好的SIFT算法进行深入研究，提出了相应的改进算法：结合Harris算法减少特征提取的时间复杂度；结合主成分分析法，对特征向量降维。经过了实验验证与分析，该方法取得了较好的效果。