随着现代科技的发展和计算机技术的进步,人们对图像匹配的研究越来越深入,图像匹配已经成为图像处理和计算机视觉领域一项非常重要的技术。而图像匹配主要就是在不同时间、不同角度等条件下对采集到的图像进行对比融合的过程。通过图像匹配,可以找出两幅或多幅图像中的相似之处。目前,图像匹配技术已经在生物医学、航空航天以及虚拟现实等领域得到了广泛的应用。由于图像在采集的过程中会受到采集设备的振动、镜头前杂质等的影响,为减少这些误差因素对图像匹配性能造成的影响,在进行匹配之前,需要对图像进行滤波、图像增强和变换等预处理。对于一种图像匹配方法,通常从匹配速度、匹配精度和稳定性三个方面来判断其好坏。SIFT算法作为一种经典的图像匹配算法,应用十分广泛,并且由SIFT算法演变出SURF算法、PCA-SIFT算法等。SIFT算法虽然运算十分稳定,但是其特征描述子的维数过高,这必然会导致运算速度慢、效率低等问题,而SIFT算法的这两种演变算法由于对特征提取方式和特征描述子作了改变,使算法的效率提高了很多,但是匹配精度却并不如SIFT算法。针对上述问题,本文提出了一种分级放射状分区的方法来构建特征描述子,将特征点邻域划分为8个区域,统计各个区域内8个方向的梯度方向直方图,得到64维特征描述子,使特征描述子维数降低了50%。同时因马氏距离考虑了特征描述子向量间的相关性,在匹配时用马氏距离双向匹配方法代替欧氏距离进行匹配,并用随机抽样一致性方法消除误配点。实验结果表明,改进的SIFT算法保留了原算法稳定性好的优势,并使匹配速度得到大幅度提高,匹配精度也得到增强。最后,将改进后的SIFT算法应用在汽车后视镜开关图像的匹配中,取得了良好的效果。