图像配准技术作为图像处理技术的一个重要组成部分,被广泛应用于计算机视觉、遥感成像、模式识别、医学图像处理等领域,具有重要的研究价值。其中,基于特征点的图像配准算法由于计算量小、配准精确度高而得到广泛的关注,在这些算法中以SIFT算法为最具代表性。SIFT算法因为对图像间的平移、缩放、光照变化、旋转变换等情况具有良好的不变性而备受重视,甚至成为一种评价图像算法配准性能的标准。随着实际应用对图像配准算法性能要求的提高,传统SIFT算法已不能满足需求,研究如何在更短时间内实现图像的高精度配准具有重要意义。本文对SIFT算法做了两处改进。首先,针对SIFT算法中存在较多误匹配对的问题,提出了基于两步提纯操作的改进SIFT算法。改进算法能够有效剔除SIFT算法中的误匹配对,提高图像的配准精度。其次,针对SIFT算法运行时间长的问题,提出了并行化处理方法,该方法通过提高SIFT算法的并行度来减少算法的运行时间。本文的主要研究工作包括以下几个方面:第一,对对称KL散度算法进行了改进。传统对称KL散度算法对正误特征匹配对的Score值没有一个明确的界定,使得采用对称KL散度算法对特征匹配对进行提纯时不可避免地去除了正确特征匹配对,当初始特征匹配对数量较少时会出现提纯力度过大导致提纯后特征匹配对数量过少的情况。本文改进后的对称KL散度算法,能根据初始特征匹配对数量的不同做出相应处理。当初始特征匹配对较少时,改进算法能减小提纯力度,保留足够多的特征匹配对;当初始特征匹配对较多时,改进算法又能加大提纯力度,减少提纯后特征匹配对的数量,提高SIFT算法下一阶段的运行效率。第二,针对SIFT算法中存在较多误匹配对的问题,提出了一种基于两步提纯操作的改进SIFT算法。实验表明,改进的SIFT算法能有效去除误匹配对,提高图像的配准精度。第三,针对SIFT算法运行时间长的问题,提出了并行化处理方法。对SIFT算法在多个层次、多个阶段上进行并行化处理,提高了该算法的运行效率。针对每种改进算法,本文都分别设计了对比实验,通过实验验证了各个改进算法的有效性。本文的研究工作具有重要的理论意义和一定的实用价值。