随着机器在工业界和学术界的广泛应用，利用电子设备获取现实世界图像已经成为了常态。在各种终端如手机、笔记本、电子监控上，以及更加智能的无人机、无人车、机器人等人工智能设备上，获取数字图像成为了主要的信息来源。数字图像的获取方式有多种，如使用感光元件获取的光学图像，使用天线照射方式获取的雷达图像，以及使用射线等获取的医学图像。这些图像能够以数字的形式储存在电子设备中，便于后续的分析。
对于数字图像的分析多种多样，是以任务为导向的，主要有以下几种：目标检测、目标识别、语义分割、目标跟踪、变化检测、三维重建等。在一些任务中，分析是针对单张图像进行的，图像与图像之间的关系不被关心，如人们只关心在某一张图像上是否检测到目标；而在另一些任务中，图像与图像之间的关系是需要被考虑的，如在变化检测任务中，多幅图像需要首先完成图像配准后再分析变化情况。
图像配准是众多图像处理任务（如图像融合、变化检测）的必要环节。它的目的是找到两幅图像中表示同一地理含义的地方，进而能够将两幅图像放在同一坐标下重叠起来。图像配准常用于处理对于同一地点不同时间拍摄的图像，这些图像之间可能存在平移、旋转、放缩等变换。通过配准，同一地点不同时间的变化信息能够被挖掘出来。图像配准的诞生和发展历史可以追溯到上世纪80年代，当时计算机视觉领域开始研究图像处理和识别。传统的基于特征的算法一直是图像配准的主流方法。这些方法包括三个主要步骤：特征点提取、特征描述符构建和特征匹配。随着深度学习技术的发展，基于深度学习的图像配准算法也成为研究热点。这些方法利用深度神经网络学习图像特征，并进行特征匹配和图像变形。
图像配准技术可以应用于许多不同的领域，如医学影像分析、遥感图像处理、目标跟踪、三维重建等。在医学影像分析领域，图像配准技术被广泛应用于医学诊断和治疗中。例如，通过将CT（Computed Tomography，电子计算机断层扫描）和MRI（Magnetic Resonance Imaging，磁共振成像）等医学影像进行精确的对齐，可以帮助医生更好地了解病变组织的形状和位置，提高手术的准确性和效率。此外，图像配准技术还可以用于放射治疗、放射化学治疗等医学领域，提高治疗效果和患者的生存率。在遥感图像处理领域，图像配准技术被广泛应用于地理信息系统中。通过对多幅遥感图像进行精确的对齐，可以实现地物特征的变化监测、环境监测、城市规划等方面的高精度分析。在目标跟踪和三维重建领域，图像配准技术是实现这些任务的关键。通过对多幅图像进行精确的对齐，可以实现对目标的精确跟踪和三维重建，帮助实现自动化和智能化。
目前图像配准在光学图像上的应用已经相对成熟，存在一些在光学图像上效果比较好的配准算法，但是在合成孔径雷达（Synthetic Aperture Radar，SAR）图像配准上还有待研究。
SAR是一种雷达成像技术，通过将雷达系统固定在飞行器（如飞机、卫星等）上，利用合成孔径原理，实现高分辨率成像。与传统的雷达相比，SAR具有全天时、全天候、高分辨、大幅宽等多种特点。SAR图像从物体散射的角度反映出环境信息，在民用探测和军事上都有广泛的用途，因此，SAR图像之间、光学与SAR图像之间的图像配准具有重要的意义。然而，SAR图像的成像机制和光学图像有很大差异，难以直接应用光学图像配准的方法。同时，SAR图像的斑点噪声和相干斑对配准精度也有很大影响。
对此，研究者们围绕涉及SAR图像的单模态和多模态配准问题设计了多种算法，包括基于边缘提取的方法、基于变换域的方法、基于深度学习的方法等。但是这些方法未能达到较高的配准精度，并且难以处理SAR图像配准中旋转角度大和噪声强的情况，导致目前算法在实际应用中仍差强人意。此外，多元图像配准问题也少有研究涉及。