图像配准是数字图像处理领域和计算机视觉领域基础而又关键的课题之一，在诸如目标识别、图像融合、三维重建、医学图像处理等领域到了广泛的研究与应用。在实际应用中，由于图像的获取设备、采集时间、拍摄角度等条件的不同，经常需要对在不同条件下获取的同一场景图像进行配准操作，以达到信息融合的目的。现有的图像配准技术中，基于特征的图像配准具有配准精度高、抗干扰性和鲁棒性强、使用范围广等优良特性，是当今图像配准领域的主流方向。对于基于特征的图像配准技术而言，其关键在于如何高效准确地检测图像中的稳健特征。作为目前特征检测方面极为有效的算法之一，尺度不变特征变换（ScaleInvariant Feature Transform，SIFT）对图像的旋转变化、尺度缩放、亮度变换等都具有较好的不变性，同时对图像的噪声、仿射变换、视角变化等也具有一定的鲁棒性，可以为图像配准操作提供稳健的不变特征。然而，由于SIFT算法基于尺度空间对图像进行分析，在特征检测阶段需要运行较多的卷积运算和直方图加权运算，对高达128维的SIFT特征描述符进行匹配也包含了大量的浮点运算，导致大分辨率图像的配准时间呈几何增长。对此，本文以提高SIFT算法效率为目的，设计了一种基于参考点距离的SIFT特征点匹配算法（DRP-SIFT）和一种自适应搜索范围的SIFT特征点匹配算法（AutoARV&DP-SIFT）。DRP-SIFT算法首先一次计算所有待匹配特征点到参考点之间的距离，对之进行快速排序并保存。然后，计算待查询特征点到参考点的距离，并在已排序的距离中使用二分法搜索返回此距离的最近邻。最后，在以此最近邻为中心的一定范围内搜索待查询特征点的近似最近邻。AutoARV&DP-SIFT算法首先根据特征向量集合计算一个合适的参考向量，然后自适应确定一个搜索范围，最后在一个通过距离过滤后的较小搜索空间中进行特征向量匹配。最后，编写代码对改进算法的有效性进行实验验证，实验结果表明，与经典的BBF算法相比，本文的DRP-SIFT算法和AutoARV&DP-SIFT算法在获得满意匹配效果的同时，可以有效降低SIFT特征点匹配的时间消耗，从而提高基于SIFT特征的图像配准效率。