目标识别技术在视觉领域工作中是较为重要的一部分,在识别技术中较为重要的两类算法是基于灰度的匹配算法和基于特征的匹配算法。其中第一种算法的原理是通过比较两张图片中像素点灰度值的差值实现匹配识别,其在灰度没有太大变化的场景下精度较高,但是视角、灰度和结构存在较大变化时匹配效果十分不理想。而基于特征匹配识别算法在这些方面具有较好的特性,因此成为图像匹配识别领域研究的热点。SIFT算法是现在比较经典的一种特征匹配识别算法,对图像的旋转、尺度变化和光照亮度变化具有不变性,在科学研究和实际应用中一直较为热门。SIFT算法虽有较多优秀的特点,但是在正确率和效率上仍有缺陷,因此在对正确率和实时性要求均较高的环境下就表现出了算法的不足之处。对于算法存在的这两点不足,本文提出了改进方案。为了提高正确率,提出将RANSAC算法与SIFT算法相结合,在特征点匹配后通过RANSAC算法采集特征点数据集中部分数据,建立最符合所有数据的参数化模型,通过模型的建立便可剔除大部分错误匹配点进而提高正确率。针对SIFT算法效率较低的问题,分析算法原理中的每个步骤,通过研究GPU中不同存储器的功能和自身的特点进行并行加速,并分析CUDA平台的并行编程模式,对SIFT算法进行并行化设计,再结合存储器的特点对算法进行合理的并行任务划分,对算法中每个步骤的并行进行具体的分析,完成算法在CUDA平台上的并行加速,提高算法的执行速度,进而提高整个系统的效率。通过实验平台验证,SIFT算法与RANSAC算法结合后的正确率相对原始算法有较明显的提升,不同图像大小情况下正确率基本保证在95%左右。测试GPU加速后的算法在不同场景下的性能,结果表明:算法加速后并没有影响算法本身具有的良好特性,并且加速效果较为明显,随着图像质量的增加,加速效果也越之提高,进而实现对算法正确率和效率的提升。