图像匹配是一种对同一场景的两幅图像或多幅图像进行配准来确定彼此对应关系的图像处理和图像分析技术,它是计算机视觉研究中一项必不可少的基础性工作,广泛应用在图像拼接、三维重建、目标识别、图像检索等领域。本文以基于特征点的多尺度图像匹配算法为主线,重点研究了图像匹配算法中的特征点检测和特征点描述方法。本文主要的创新点和工作如下:1)为保留更多的图像细节特征,提出了一种基于分数阶梯度算子的多尺度特征点检测算法。首先,通过一种基于分数阶梯度算子的非线性扩散滤波,以及快速显式扩散(Fast Explicit Diffusion,FED)算法来构建非线性尺度;然后,在非线性尺度空间中,采用一种新的基于Hessian矩阵的特征点检测算子来计算特征响应值;最后,在尺度空间中寻找特征响应值的局部极大值点作为图像中的特征点。实验结果表明,该算法在图像模糊、尺度缩放、旋转变换、光照变化、图像压缩以及视角变化下都具有良好的性能。2)为了提高二值描述子对噪声和图像局部结构变化的鲁棒性,提出了一种基于局部灰度序的二值描述子(Local Intensity Order Binary,LIOB)。首先,在特征点的局部图像块中选取所有的采样点对;然后,比较每对采样点的局部灰度序信息,生成二值描述子中的一位;最后,把所有采样点对的比较结果组合在一起,构造成该特征点的二值描述子。实验结果表明,与经典的二值描述子相比,该描述子的性能有了一定程度的提高。3)将本文提出的特征点检测和特征点描述算法应用于基于序列图像的三维重建上。首先,采用本文所提的特征点检测和特征点描述算法实现序列图像间的相互匹配;然后,利用基于运动恢复结构的方法,恢复出相机的运动参数并获得稀疏的三维点云;最后,利用基于面片的多视图三维重建算法实现点云的稠密重建。实验结果表明,本文所提的特征点检测和特征点描述算法,在基于序列图像的三维重建应用中具有一定的可行性和有效性。