图像配准是众多具体应用的共性核心技术，如图像融合，变化检测等。然而，当参考图像经过变换后，如何自动地确定变换后的图像是否与目标图像真正达到了配准仍然是目前文献中一个尚未很好解决的问题。究其原因，主要是很难找到一种图像相似性的度量方法来有效地对配准后的图像进行评价。不同于传统的方法，本文提出了一种基于学习的相似性度量方法，即将图像配准的度量问题转化为模式分类问题，由通过机器学习设计的分类器自动检验图像是否配准。本文对400组图像进行了配准检验，实验结果显示了该方法的可行性和可靠性。尽管本文方法的具体实现是针对基于Fourier-Mellin变换的配准算法的，但这种基于学习的图像配准检验思想同样可