遥感图像配准是多源数据分析的基础，是图像拼接、图像融合、目标检测、变化检测等下游任务的前提，在遥感领域有着重要的作用。然而同一区域不同时间获取的光学遥感图像由于其拍摄季节、成像角度和其他人为因素的影响，图像之间呈现出较大的辐射差异和几何差异，导致提取的关键点与特征描述符的鲁棒性不强，影响了配准性能。此外，当前的深度学习算法难以在高分辨遥感图像中直接应用。本文针对多时相的遥感图像配准任务的上述难点和问题，对以下工作进行研究：

（1）针对多时相遥感图像间描述符鲁棒性不强导致配准精度下降的问题，提出一种基于自监督神经网络的由粗到细的配准算法SSCFNet（Self Supervised Coarse to Fine Net, SSCFNet），基于粗粒度和细粒度描述符的双流结构，采用由粗到细的匹配流程，同时建立粗粒度和细粒度的对应关系综合全局和局部特征信息，提取更多、更准确的匹配点对，从而提高配准的精度。在优化过程中，通过将普通的随机采样转化为由先验关键点监督的采样方式，优化网络关注的特征点描述符，提高网络的稳定性。在自监督训练过程中，提出了一种基于非线性函数的数据增广算法，一方面从灰度变换角度采用非线性函数随机压缩或拉伸原图的灰度；另一方面从几何变换角度生成随机的单应性转换矩阵，提高了描述符的鲁棒性和泛化能力。

（2）面向快速配准需求，针对多时相遥感图像间的辐射差异导致的关键点提取不充分的问题，提出了一种由相位一致性引导的配准算法PIGNet（Phase Congruency Information Guidance Net，PIGNet），使用空间域与频域融合的多路关键点检测器，实现全局与局部、频域与空间域的多维特征融合，提高网络的关键点提取能力。此外，本文设计了一种基于分块匹配和金字塔扩张策略的高分辨率遥感影像快速配准流程。该算法首先通过PIGNet获取分块图像的描述符和关键点，然后使用降采样配准得到图像块的映射关系，采取金字塔扩张策略进行对应图像块的匹配，最后汇总所有图像块间的匹配点对完成高分辨率遥感图像的配准。

本文提出的方法在AID、GE和MT数据集上进行实验，实验效果良好。