电子商务的迅猛发展改变了人们传统的购物习惯。然而,现有的利用分类搜索和关键字搜索的商品搜索技术,存在搜索结果量大而匹配精确度低的问题。本文以商品图像搜索为研究焦点,重点研究了其核心问题-商品图像的特征抽取和匹配问题。本文工作的主要贡献是针对经典的尺度不变特征变换描述子SIFT(Scale Invariant Feature Transform),在应用于商品图像识别中,存在的在较大仿射变换和视角变换的情况下,无法进行有效匹配的问题,提出了一种新的融合多视角的仿射不变描述子。该描述子首先将商品图像进行模拟视角转换,生成一组模拟视角图像序列,然后检测序列图像的视觉特征,最后利用随机抽样一致算法RANSAC(Random Sample Consensus),将模拟视角图像序列中的视觉特征映射到原始图像中,共同构成原始图像的特征点。本文还对传统词袋模型BoW(Bag-of-Words)中视觉词典的构造方法和视觉特征的量化方法进行了改进。针对构造视觉词典的传统K-Means聚类算法存在的初始聚类中心的随机选取,所导致的聚类结果不稳定,且易存在局部极值点的问题,提出采用密度敏感相似性度量方法确定K-Means聚类算法的初始聚类中心;并针对传统视觉特征量化采用硬量化方法HQ(Hard Quantization),而忽视了视觉特征与视觉单词之间联系的问题,提出采用软量化方法SQ(Soft Quantization)方法进行视觉特征量化。用从淘淘搜、最美搜衣、唯品会等购物网站上抓取的13000幅服装商品的图像构造商品图像数据库,对本文提出的方法进行测试,并与采用梯度方向直方图HOG(Histogram of Oriented Gradient),常规SIFT特征以及传统BoW的方法进行比较,证明了本文提出的图像特征提取算法和改进的BoW算法的有效性。