在图像分析与理解领域,角点具有旋转、尺度、位移不变性,以及不受光照条件影响等诸多优点。角点检测能够提取图像中重要的特征信息,显著减少数据存储与处理量,提高后继图像分析算法的效率。本文在分析和研究现有角点检测技术的基础上,提出一款效率更高的角点检测算法,并设计一套更符合人类视觉特征的算法测评技术。第一部分工作首先分析了现有多尺度角点检测(Multi-Scale Corner Detection,MSCD)算法研究现状和存在的问题。这类算法通过计算形状轮廓曲线在有限个尺度下的曲率值,求其几何平均(Geometric Mean)并进行阈值过滤,实现对角点的检测和确认。所存在的问题是求曲率的几何平均步骤会丢失角点的凹凸信息,并且抗噪性能低。针对这两个问题,我们提出了基于曲率值的算术平均(Arithmetic Mean)来设计MSCD算法的思想,并结合k-余弦曲率计算方法具体实现了一款新的角点检测算法。通过数值实验全面测试了新算法的效率与稳定性。与当前的MSCD及其它角点检测算法相比,新算法在精准度指标上表现优良,在召回率及准确率指标上表现优异。第二部分工作研究了角点检测算法的测评问题。现有的测评技术主要基于四项基本数据建立,包括事实角点数(Ground Truth)、检出角点数、检出角点中正确角点数及漏检角点数。该技术所存在的严重问题是,事实角点的确认是一个非常主观的二值化过程,一般由算法测评者自行给出,由此影响了测评结果的客观性。为了解决这一问题,我们结合模糊数学理论,提出了角点检测算法的模糊测评技术。新技术在确认事实角点时不再是传统的“是”或“否”的二值判定,而是根据角点的认可度给出一个[0,1]范围内的角点隶属度数值。与现有的二值化测评技术相比,模糊技术符合人类对自然事物的认识存在个体差异这一特征,由此给出的测评结果能够反映人类的群体意识,从而具有更高的客观性。最后应用新的测评技术,全面评估了文献中有代表性的10款角点检测算法。