SIFT(Scale Invariant Feature Transform)特征在物体检测和识别、图像配准与融合、纹理识别、场景分类、人脸检测、图像检索、三维重建、数字水印、影像追踪等领域具有广泛应用。然而，SIFT特征提取过程复杂，计算量大，并且消耗时间长。本文设计并实现了两种基于不同数据并行策略的分布式算法，在机群系统上加速SIFT特征的提取。　　 DP-SIFT算法对输入图像进行划分，尽可能的增大并行处理的比重以获得更高的加速比。根据特征空间高斯尺度金字塔的特点设计了高度宽度受限的数据块划分算法，设计了数据分配、数据交互和特征调整方法；研究了数据块划分和数据发送方法对通信时间的影响，提出了基于消息传递机制的并行图像处理中数据块划分与数据发送方式协同对通信时间优化的策略；。　　 DDP-SIFT算法对特征提取空间进行划分，在获得最大数据分块的同时追求高加速比。将高斯尺度空间按阶划分为等大小的数据块，并分配给各处理器并行执行。为了降低串行成分比重和降低通信时间，对特征空间的创建过程进行了调整；为了解决负载平衡问题，将各图像块作为任务动态的分配给空闲处理器，当处理器数目与数据块数目较接近时采用再次划分，进一步改善负载平衡。