仿射变换是描述同一目标在不同视点获取图像间关系的近似模型,因此仿射不变特征提取已成为目标识别和配准等领域的必要手段。全局的不变特征提取技术可分为轮廓和区域两类。轮廓类算法尽管计算量小但忽略了形状内部信息,而区域类算法为达到好的效果需要较大的计算量;中心投影可实现轮廓与区域类算法的结合,但却需参数化等额外的处理程序,这些处理的目的是为建立轮廓点间的点对应。为结合区域和轮廓类算法并避免这些额外处理,本文提出白化中心投影。另一方面正交矩具有数值稳定性好和便于重构的优点,尽管不久前提出的分数阶勒让德矩是传统勒让德矩的推广,但其零点等性能有待进一步改善,为此提出广义勒让德矩。本文主要工作包括以下几个方面:(1)提出白化中心投影。它其实是将白化变换和中心投影相结合,白化变换可消除仿射变换中的斜切,将仿射变换转化为仅有旋转和伸缩,从而可避免中心投影中的参数化等额外处理。基于提出的白化中心投影,构造了新的仿射不变量,将之应用于目标识别,实验验证了所提不变量比AMIs和MSA等算法具有更好的抗噪性能。也利用白化中心投影设计了仿射变换参数恢复算法,并将之应用于图像的配准,仿真实验和实际场景的配准结果也表明所提算法具有计算量小且抗噪性好的优点。(2)提出广义勒让德矩。分数阶勒让德矩将传统勒让德矩中的整数阶多项式推广为分数阶多项式,本文将它更进一步推广为由一般函数构成的多项式,传统勒让德矩和分数阶勒让德矩仅是所提正交矩的特例。证明了所提矩的正交性和在极坐标系下的旋转不变性。实验表明,利用所提方法可构造出比分数阶勒让德矩重构性能更好,抗噪性能更强的正交矩。