圖像拼接的關鍵兩步是：配準(registration)和融合(blending)。配準的目的是根據(jù)幾何運動模型，將圖像注冊到同一個坐標系中；融合則是將配準后的圖像合成為一張大的拼接圖像。
在多幅圖像配準的過程中，采用的幾何運動模型主要有：平移模型、相似性模型、仿射模型和透視模型。
圖像的平移模型是指圖像僅在兩維空間發(fā)生了水平方向和垂直方向的位移，如果攝像機僅僅發(fā)生了平移運動，則可以采用平移模型。圖像的相似性模型是指攝像機本身除了平移運動外還可能發(fā)生旋轉(zhuǎn)運動，同時，在存在場景的縮放時，還可以利用縮放因子 多縮放運動進行描述，因此，當圖像可能發(fā)生平移、旋轉(zhuǎn)、縮放運動時，可以采用相似性模型。圖像的仿射模型是一個6參數(shù)的變換模型，即具有平行線變換成平行線，有限點映射到有限點的一般特性，具體表現(xiàn)可以是各個方向尺度變換系數(shù)一致的均勻尺度變換或變換系數(shù)不一致的非均與尺度變換及剪切變換等，可以描述平移運動、旋轉(zhuǎn)運動以及小范圍的縮放和變形。圖像的透視模型是具有8個參數(shù)的變換模型，可以完美地表述各種表換，是一種最為精確變換模型。
圖像融合技術一般可分為非多分辨率技術和多分辨率技術兩類。在非多分辨率技術中主要有平均值法、帽子函數(shù)法、加權平均法和中值濾波法等。多分辨率技術主要有高斯金字塔、拉普拉斯金字塔、對比度金字塔，梯度金字塔和小波等。