点模式匹配问题是图像匹配领域的一个核心问题,一直都是众多科学工作者研究的重点。现如今,点模式匹配技术在日常生活中的应用越来越广泛,如计算机视觉、安全鉴别、运动目标追踪等领域。虽然不同学者们提出了众多研究方法,但该匹配问题是一个NP难题,且由于复杂的几何形变、外界干扰等因素的存在,使得解决该问题仍是一项具有挑战的工作。本文分析了多种点模式匹配算法,重点研究了基于形状上下文的点模式匹配算法。形状上下文算法的思想是以点集的整个空间分布来刻画各点的特征,这使算法受点分布的影响大、鲁棒性差。针对形状上下文算法存在的问题,本文提出了一种新的密度形状上下文算法(Density Shape Context,DSC)。密度形状上下文算法的核心思想是对点集中的低密度点进行处理,优化了点特征的选取,增强了算法的鲁棒性;在密度形状上下文算法中,本文引入了一种新的评价标准QScore,该标准综合了匹配集的大小和匹配点间均方根偏差的影响,较准确的量化了匹配效果;在此基础上结合二分图最大匹配思想,将已得到匹配集进一步优化,提高了算法的匹配效果。多点模式匹配问题研究的是多个点集之间的模式匹配,其具有更高的计算复杂度和难度,国内外开展相关的研究比较少,但在实际生产生活中也是亟待解决的问题,如蛋白质结合位点多结构比对方面的应用。本文提出了一种用来近似求解多点模式匹配问题的新算法--团匹配算法(Cluster Matching Algorithm,CMA),团匹配算法的核心思想是提出了一种构建无向图的方法,间接将多点集模式匹配问题映射为图论中求解最大团的问题,为多点模式匹配问题提供了一种新的解决方案。本文以三维空间中的仿真数据和真实数据作为测试数据,对本文提出的密度形状上下文算法和团匹配算法进行实验,并将密度形状上下文算法与其他一些点模式匹配算法进行对比实验。大量的实验结果显示本文提出的密度形状上下文算法在鲁棒性和正确匹配率方面较传统的点模式匹配算法均具有明显的优势;团匹配算法在处理多点集模式匹配问题上具有较好的匹配效果和较低的计算复杂度。