针对基于特征的图像配准在较大仿射变形以及存在相似目标情况下适应性不佳的问题，为减少算法的时间开销，提出一种基于匹配质量提纯的改进描述网（D-Nets）算法。首先，通过FAST算法检测特征点，并根据Harris角点响应函数以及网格划分相结合的方式进行筛选；然后，在计算直线描述子的基础上构建哈希表和投票表决，从而得到粗匹配对；最后，采用基于匹配质量的提纯方法剔除误匹配。针对牛津大学Mikolajczyk标准图像数据集进行了实验，结果表明：提出的改进D-Nets算法在尺度、视差和光照变化较大的情况下平均配准精度为92.2%，平均时间开销为2.48 s。与尺度不变特征变换（SIFT）、仿射-尺度不变特征变换（Affine-SIFT）、原始D-Nets等算法相比，提出的改进算法与原始算法的配准精度基本相当，但速度最高可提升80倍，并具有最佳鲁棒性，显著优于SIFT、ASIFT算法，非常适于图像配准应用。