多源图像数据可以提供诸如光谱、时域变化和空间尺度等许多丰富的信息，将多源数据进行融合有助于更加全面地描述客观对象。然而，由于应用场合的限制，不同传感器获得的图像可能没有进行空间对准，或者图像是由传感器在不同时段获得的，所以在进行后续处理之前必须对图像进行事先的配准。因此，图像配准是多源数据处理过程的一个非常关键的技术。
　　 本文针对图像配准过程中对目标函数的优化过程容易陷入局部极值的问题，提出了在配准过程中引入决策过程来解决局部极值问题的方法。
　　 首先，文中建立了基于D-S证据理论的多相似性测度组合使用的决策模型，该模型能获取当前最优解为全局最优解的置信度。模型采用D-S证据理论对多种测度在配准过程中提供的信息进行了融合，将融合的结果转化为对当前最优解的置信度，进而获得对这一解的决策结果。模型的决策结果可以取为“可信”，“不可信”和其它状态三类中的一种。文中的仿真实验表明，该模型能准确地判断某一最优解是否为全局最优解。
　　 然后，本文将这一模型应用到基于模拟退火优化方法的配准过程中，通过将该模型的决策结果当成反馈信息指导退温过程来改进配准过程。在决策结果为“可信”时，认为当前最优解为全局最优解，加速退温，从而加快算法收敛速度；在决策结果为“不可信”时，认为当前最优解陷入了局部最优解，引入升温过程激活各状态的接受概率，避免算法在局部极小中停滞不前；在其它情况下，认为决策结果所给出的信息不明朗，进行规则的退火。文中的实验表明，本文提出的方法有助于优化过程跳出局部极值，获取全局最优解，提高了图像配准算法的可靠性和精确度。