局部不变性特征是近10几年来图像处理、模式识别等领域里一个研究热点。尺度不变特征变换(SIFT)算法，是一种典型的局部不变性特征，能够在图像发生旋转、尺度变换、视角变化及仿射变换下保持良好不变性。自1999年由David G.Lowe提出后，该算法得到了广泛研究和应用，被成功应用于图像匹配、图像检索及目标识别与跟踪等诸多领域。　　SIFT算法在具有诸多优点的同时也具有计算复杂度较高、计算过程较为繁琐、对内存要求较高及实时性较差等不足。为了使算法克服自身不足，满足不同场景下的应用需求，众多学者致力于将SIFT算法改进转变为一种集实时性、鲁棒性于一身的算法，并进行了大量改进研究。在此研究基础上，国内外学者陆续提出了一系列基于SIFT的衍生算法或改进算法。　　本文针对SIFT特征提取和匹配算法进行了深入细致的研究。从现有改进方案着手，围绕鲁棒性和实效性两方面进行改进研究。首先，在研究了SIFT算法和核Fisher判别分析(KFDA)算法各自优缺点的基础上，将两种算法融合，提出了一种改进的KFDA-SIFT算法。经实验验证，该算法在图像发生光照、视角、尺度变换及表情和微小姿态变化下均具有很好的匹配效果。其次，在分析总结了 PCA-SIFT算法自身缺点的基础上，提出了一种自适应的PCA-SIFT算法，并将该算法于PCA-SIFT算法进行实验对比。经实验验证，该算法的综合性能要优于原算法。