相似性度量是现代相似性科学的一种核心技术。它在图像识别以及人工智能中的手势识别和人脸识别、地理信息系统(GIS)中的定位跟踪算法等领域都有广泛应用。通过提取空间对象的边缘轨迹并将其转化为对应的空间点集,采用计算两空间点集的Hausdorff距离来对其进行相似性度量是现代相似性科学中一种主要的常见方法。目前,常见的Hausdorff距离计算算法采用空间索引技术R-树以提高算法的运行效率,但容易受到噪声干扰影响算法计算Hausdorff距离的准确性。随着空间对象的数据规模日益加大,空间对象边缘轨迹转化而来的空间点集也越来越庞大。因此,对计算Hausdorff距离的算法的性能要求越来越高,如何在提高算法性能的同时保证算法计算Hausdorff距离的准确度是一个重要课题。基于以上分析,本文对如何优化Hausdorff距离相似性度量算法做出有意义的探索,本论文所做的主要工作如下：1.针对目前基于Hausdorff距离的相似性度量方法中普遍存在的遍历R树开销较大,总执行时间开销偏大的问题,本文提出了一种改进型的基于Hausdorff距离的相似性度量方法。与以往算法中数据结构为基于R-树,遍历方法为深度优先或者最佳优先方法不同,在本文中,应用分支定界原理对中间结果进行剪枝,降低了算法中遍历R-树的次数。仿真实验结果表明,本方法显著地减少了算法的时间开销,降低了遍历R-树的开销代价。2.针对基于Hausdorff距离的相似性度量方法中仍然存在的抗噪声干扰性差的问题。本文应用递增的Hausdorff距离相似性度量方法。与基本遍历R树并计算得到Hausdorff距离不同,本文引入一种双队列方向中间存储结构,递增地访问不同对象的R-树节点。仿真实验分析结果表明,改进的基于递增的Hausdorff距离相似性度量算法,在保证相似性比较结果准确性的基础上,增强了抗噪声干扰能力。3.将INC-HD算法应用到实际的民用无人机遥感图像处理系统上,经实验验证,通过计算图像的特征点之间的Hausdorff距离值来检测图像间的相似度,可以对源图像数据的预处理操作进行一定程度的优化,淘汰一部分冗余无效的源图像数据,提高有效的图像配准及图像拼接次数,从而提高系统执行效率。