目标匹配是计算机视觉与模式识别领域的基本问题,目的是要从两幅或者多幅图像中发现一个目标的不同实例并建立它们之间的对应关系。图像识别,图像修复,目标跟踪,三维重建和行为检测等计算机视觉工作都依赖于准确的目标匹配。标准的目标匹配问题包含两个关键的步骤:特征的匹配与空间一致性测量。它们或分开进行或同时进行。空间一致性测量需要在目标间建立一个映射模型,并根据图像特征预测出模型的参数。虽然该技术可以在一定程度上提高特征匹配的性能,但是受自然图像中光照变化、噪声、离群点、少纹理和目标形变等因素的影响,传统的空间一致性测量方法对于特征匹配的性能提升仍然不能满足实际的需求。因此,研究高效并且鲁棒性更强的空间一致性测量算法具有重要的科研价值与实用价值。本文主要研究基于空间一致性的成对图像和一副图像内部的目标匹配问题。对于后者,本文关注一个更为复杂的情况——重复目标检测。本文利用模型相关性来优化线性匹配算法,使其可以从大尺度几何变换空间中发现最优的变换模型,以实现成对目标的匹配。对于重复目标检测,建立了基于模式对齐的匹配传播算法,解决了多重目标的匹配问题。具体的研究工作简述如下:首先,提出了基于残差一致性驱动的成对图像线性匹配算法（RDLM）。在目标匹配系统中,需要同时求解几何变换模型与对应关系的问题是非线性的。由于线性规划是一种简单有效的目标匹配建模方法并且可以处理大规模的匹配问题,因此本文将非线性的二次匹配问题转化为线性规划问题。现有的线性匹配方法通常使用低阶变换来对线性模型进行人工初始化。为了处理具有复杂形变的图像目标,RDLM算法对现有的线性匹配方法进行了扩展,在匹配模型中引入了高阶的几何变换,并实现了对线性模型的自动初始化。通过观察内点子集生成的变换模型,发现其行为具有一定的相关性,该相关性被称为残差一致性（Residual Consensus）。据此,提出一种基于残差一致性的鲁棒估计算法,将复杂的线性变换问题投影到更小的子空间中,进而通过线性规划实现目标函数的高效优化。利用合成数据集和真实数据集进行实验,实验结果证明了RDLM算法的有效性和鲁棒性。其次,提出了基于匹配传播的重复目标耦合检测与分割算法（CpdDSR）。重复目标又称为重复模式,是一种高层图像结构并广泛存在于自然和人工环境中。对真实图像中多种类型的重复模式进行自动、鲁棒的检测仍然是个难点。相对于成对图像匹配,重复模式的检测问题需要解决少纹理、噪声敏感性强、多重目标形变和模板未知等一系列问题。提出的CpdDSR算法很好地解决了这些问题。该算法在模式的迭代增长过程中进行多层联合对齐,以实现模式间的空间一致性。对齐优化的目的是为了最小化由李群（Lie Group）和高斯混合模型（Gaussian Mixtures）描述的光度和几何变化。采用混合优化算法求解该最小化问题,避免了算法陷入局部最优解。在多层分割过程中,利用一种区域增长策略迭代地检测出完整的重复性结构。第一步通过模式匹配技术检测出形变的模式。第二步对检测出来的图像块进行多层联合对齐,进而提升了匹配性能。CpdDSR算法在PSU-NRT和Symmetry Detection数据集上对该算法进行了实验。实验结果表明,相较与其他的重复模式检测算法,CpdDSR算法表现出了显著的性能提升。最后,在基于匹配传播的重复目标耦合检测与分割框架基础上,考虑到泛函映射（Functional Map）模型的优点,研究了利用泛函映射模型将分割信息嵌入到重复模式对齐问题中。提出一致性泛函映射传播算法（CFMP）,该算法将泛函映射模型扩展成动态传播方式。通过这种方式,模式检测每次向外扩展时只对距离最近的模式进行匹配对齐,可将光度性和几何性变化的影响降至最低。传播模型的建立需要迭代地进行两步操作:第一步对局部区域的模式进行对齐,在此过程中分割函数在模式间进行转移。模式对齐操作可看成基于L₂₁范数的优化问题。第二步利用Mean-Shift算法对转移得到的分割函数进行融合,进而更新分割模板。该算法在PSU-NRT和Symmetry Detection数据集上进行了实验。实验结果表明,CFMP算法的检测准确率优于目前已发表文献中报告的最好结果。虽然CFMP算法的检测速率略低于本文提出的CpdDSR算法,但是其检测性能较CpdDSR算法具有一定的提升,适合对精度要求更高的计算机视觉系统。