基于图像特征点的匹配算法是计算机视觉领域的一个重要研究方向,近年来受到国内外广大学者的广泛关注。相比于传统的基于图像灰度值的匹配算法,基于图像特征点的匹配算法具有运算效率高、匹配效果稳定等优势,受噪声、光照以及图像各种几何变换的影响小,在各种不同的应用场合中都具备较好的鲁棒性,在目标跟踪、三维重建等实际工程领域中应用广泛。本文主要研究了图像特征点的提取与描述算法以及特征空间匹配搜索策略的优化问题。首先,针对传统的FAST图像特征点提取算法对图像尺度变化不具备不变性的缺陷,本文提出了一种多尺度空间的改进FAST特征点提取算法。该改进算法利用SURF算法的空间尺度,在图像的多尺度空间中分别使用传统的FAST图像特征点提取算法,得到不同尺度下的图像特征点,并通过非极大值抑制的手段获得图像最终的特征点。然后,在使用传统的FAST算法对图像进行特征点提取时,检测阈值往往是单一的,而且是在实验前根据经验而人为确定的,并不能满足不同图像特征点的提取要求。针对传统FAST图像特征点提取算法的上述两个不足之处,本文提出了一种基于图像灰度聚类的多自适应阈值改进FAST算法。该算法利用K-means聚类算法将图像分类,并在每个聚类类别中,应用图像熵理论分别计算出该类别的自适应阈值,以此来避免FAST算法因检测阈值恒定而带来的缺点。最后,由于图像特征点的描述子向量空间的维度过高,从而导致匹配搜索的过程运算量极大,消耗时间长。针对上述问题,本文提出了一种基于教与学优化算法的图像特征空间匹配搜索策略,利用教与学优化算法来简化图像特征空间的搜索过程,从而达到减少匹配时间的目的。