随着遥感影像技术的发展,从不同传感器获取到的数据为众多遥感影像应用提供了大量可用的数据。多模态图像提供的数据具有较好的互补性,因此在遥感、飞行器以及监控领域发挥了巨大作用。而多模态图像配准作为图像分类、变化检测以及目标识别等研究的预处理环节,具有不可忽视的影响,其中SAR与可见光图像配准一直是近年来多模态图像配准的一个重点与难点。本文针对SAR与可见光图像的配准存在的噪声干扰、较大的灰度差异以及几何畸变等难以处理的问题开展了进一步的研究,在互信息配准方法的基础上同时结合图像的结构特征提出两种新的配准算法,提高了配准的精度与鲁棒性。本文的研究内容以及创新之处如下:1、SAR与可见光图像成像机理不同,因而二者具有较大的灰度差异,此外SAR图像中固有的乘性斑点噪声问题同样不可忽略。传统的互信息方法仅考虑参考图像与待配准图像之间的灰度统计相关性,忽视了二者的结构特征,将互信息方法运用在SAR与可见光图像配准上时,无法有针对性的解决其存在的问题。因此本文第三章基于灰度值均衡与高斯-伽玛双窗提出了一种新的相似性度量函数:高斯-伽玛均衡互信息。该方法引入了灰度值均衡对图像进行预处理,平衡灰度值差异,同时,在后续提取图像的结构特征时可以对噪声进行优化。随后提取特征信息点对高斯-伽玛双窗重构,获取其边缘强度信息与角度信息,与互信息结合即得到新的相似性度量函数。该方法有效地将图像的结构特征与灰度信息相结合,弥补了互信息的缺陷。实验证实,本章方法运用于SAR与可见光图像配准时可获得较高的精度以及鲁棒性。2、针对互信息方法应用于SAR与可见光图像配准时易陷入局部极值的问题,并考虑到SAR与可见光图像配准存在的普遍性问题,本文第四章提出了一种与小波分解相结合的粗细两阶段的配准框架。该框架分为粗配准阶段以及细配准阶段,以实现由粗到细地搜索最优变换参数。在粗配准阶段,对小波分解后的低频图像利用相位一致性与豪斯多夫距离构建相似性度量函数,从而获取粗变换参数,并以该参数作为细配准阶段的初始搜索值。在细配准阶段,对原始图像分块并利用Harris算子获取特征点,最后构建分块互信息作为细配准阶段的相似性度量函数。为了进一步降低出现局部极值的概率,本章引入粒子群优化作为搜索算法。通过多组对比实验证实,本章方法对SAR与可见光图像配准表现出较好的性能。