在模式识别中,数据集包含有很多特征,同时样本数量很不足,这时就会遇到“维数灾难”问题。因而,特征选择在模式识别中起着很重要的作用。特征选择的目的是从原始的n个特征中找到m个特征,组成最佳特征集合。许多特征选择算法都遇到一个速度难题。为了得到最优的特征集合,需要穷取所有(mn)种特征组合。这通常会需要很大的计算量。当特征数目很大时,穷取法计算量过大,令特征选择无法进行。次优特征选择算法虽然在时间上具备可行性,但无法保证寻找到的特征集合是全局最优。鉴于以上两类方法的局限性,我们提出一种基于距离鉴别的特征选择新算法(FSDD)。该算法能找着全局最优解,且不需要采用穷取法或者分支界定法。经过严格数学证明,我们将特征选择中的组合问题被转换成一个特征排序问题。这样一来,搜索特征的时间花销就大为减少。并且,提出的特征选择算法对数据的线性转换具有不变性。我们在8组数据上比较了本算法与ReliefF、mrmrMID的性能。实验结果表明,FSDD的性能好于这两种方法,并且运算速度极快。然而,上述算法存在一个缺点：它没有考虑不同类别样本概率分布的重叠度。该样本分布重叠度包含有很多对模式识别有用的信息。因而,我们用概率密度距离来衡量不同类样本分布重叠度。类别样本的概率密度用Parzen窗函数来估计。两者结合起来有个好处：概率密度距离中的积分可以积出来,避免了用求和运算来近似积分运算。因而,我们又提出了一种融合距离鉴别与样本分布重叠度的特征选择方法。基于局部信息的图像匹配算法有很广泛的应用：例如,物体与场景识别、图像检索、立体视觉匹配、图像拼接、宽基线图像配准等等。本文提出了一种基于梯度空间的图像匹配方法。将图像金字塔与Hessian矩阵行列式、迹的比值结合起来,用于检测尺度不变特征点。特征点周围像素点的梯度能被映射到梯度空间中的点。然后,梯度空间中点集合分布可以用方向幅度直方图来描述。将点集合投影到过原点的直线簇上。投影点具有最大离散度的直线方向为主方向,将主方向作为特征点方向。文中证明了提出的局部描述子具有旋转不变性。通过比较特征点描述子的相似度,实现初步匹配。初步匹配中一般会包含用错误匹配点对。一种致力于优化特征点全局拓扑一致性的最陡下降法,用于去除错误点对。实验结果表明,所提方法具有尺度不变性、旋转不变性,不受以下因素影响：焦距差异、光照变化、物体被遮挡、噪声、图像扭曲、图像模糊。并且,该方法在多视角与仿射变换图像上显示了很好的效果,在图像拼接应用上也得到了很好的结果。