图像局部不变特征提取是计算机视觉领域中的一个基本问题。局部不变特征提取大致分成两个步骤：首先利用局部不变特征检测方法在图像上检测特征点位置、尺度等相关信息,然后根据检测到的信息和邻域信息对该特征点进行描述。图像局部不变特征提取研究的核心问题在于提高特征提取的速度和精度，以及加强算法的鲁棒性和稳定性，使局部不变特征提取技术更符合实时应用的需要。本文着重研究的是图像局部不变特征提取算法，主要从以下两个方面进行研究：一是对Harris检测算子的检测效率进行了改进，提出了低复杂自适应窗口角点检测算法。首先通过平均梯度幅值预处理去除了大部分无关的、亮度变化较小的点,然后只对保留下来的兴趣点进行高斯滤波和响应函数操作，如果响应函数值大于一定的阈值就被确定为候选角点；最后只对候选角点进行自适应窗口非极大值抑制，如果该候选角点为最终的角点，则无需再对邻域窗口内的其它候选角点进行非极大值抑制。经过本文的改进以后，该算法节省了计算时间，提高了检测角点的速度。二是结合图像配准领域中的一些特点，为了提高图像配准的速度和精度，本文引入多尺度分析和相关聚类分析技术设计出一种基于相关聚类分析的局部不变特征提取算法。该算法首先在小尺度图像检测和匹配特征点，计算出最大矩形重叠区域，然后在该重叠区域分别以四个边界点为聚类中心聚成四个类，找出匹配点最多的相关类，作为基准图像和待配准图像的相关区域，最后在大尺度图像上只检测相关区域内的特征点，并采用改进的Ransac算法去除误匹配和计算几何变换参数。仿真结果表明，本文设计的局部不变特征提取算法不仅能够提高图像配准的速度，而且能够准确计算出图像之间的变换参数。最后对本文的局部不变特征提取算法进行了总结，也对将来仍需要深入研究和开展的工作进行了展望。