基于图像的物品识别技术是计算机视觉领域中的一个热点问题,能够对物体准确的检测识别是当前研究的一个难点。在基于图像特征点的物品识别中主要解决的问题有:如何选取有效的图像特征点以解决在物品识别过程中图像平移、图像旋转、尺度变化,同时降低在物品识别过程中出现的遮挡、图像噪声带来的影响,以达到较好的物品识别精确度。针对以上出现的这些问题,本文研究了基于图像特征点的物品识别技术。本文在分析了现有的图像匹配技术基础上,研究了SIFT(Scale Invariant Feature Transform)特征点匹配技术,从建立DOG尺度空间、空间极值点检测、描述子生成和基于k-d树的相似性度量这四个方面分析了SIFT算法。并针对SIFT算法的不足之处,对SIFT算法进行了改进。实验结果表明SIFT算法对光照变化、图像尺度变换、旋转变换、图像噪声等影响图像匹配的因素都具有很好的稳定性。为了能够进一步提高算法的计算速度,本文研究并实现了SURF(Speed UP Robust Features)特征点物品识别技术。SURF特征点提取算法在积分图像基础上进行快速运算,利用方形滤波器建立尺度空间,通过快速Hessian矩阵来检测图像的极值点,利用哈尔小波生成特征点描述子。针对SURF算法在图像匹配过程中出现的错误匹配问题,本文提出了用RANSAC(Random Sample Consensus)算法进行特征点提纯,有效的解决了该问题。本文通过对比SIFT和SURF的实验数据,对这两种算法的性能做了详细的对比分析。实验结果表明SURF算法在基于特征点的物品识别速度上有了极大的提高。本文最后在电脑上模拟实现了基于图像的物品识别系统。