图像匹配是模式识别和计算机视觉领域中的一个基本而重要的热点问题,又是许多计算机视觉理论和应用的基础,有着广泛的应用背景,如运动目标的检测与跟踪、人脸识别、物体识别、图像配准等等。同时,它也是一个难点问题,因为在图像获取和特征点提取过程中一般会产生不同程度的噪声,使得特征点之间的对应关系变得难以确定,同时在特征点集中往往存在非刚性变形,使得特征点匹配变得更加困难和复杂起来。在这些情况下,匹配算法如何能达到匹配精度高、速度快、鲁棒性和抗干扰性强成为人们追求的目标。因此对图像匹配算法的研究不但具有重要的理论意义,而且还具有广阔的应用前景。　　本论文对基于图谱理论的图像匹配算法进行了较为系统的研究,主要包括:基于递增权值函数的谱图像匹配算法、基于最小生成树的谱图像匹配算法、基于最小生成树与概率松弛的谱图像匹配算法。主要研究内容和成果如下:　　1、提出了一种基于递增权值函数的谱图像匹配算法。首先,利用递增权值函数,分别对两幅待匹配图像的特征点集构造Laplace矩阵,其次进行SVD分解,然后通过分解后的矩阵特征值和特征向量,寻找匹配矩阵,最后根据匹配矩阵的特征信息,从而实现两幅图像特征点之间的匹配。通过对Laplace矩阵和邻接矩阵比较实验,不仅证明了Laplace谱能使发生刚体变换前后的图像获得更高的匹配精度,还证明了递增权值函数的Laplace谱比欧式距离的Laplace谱匹配精度要高。　　2、提出了一种基于最小生成树的谱图像匹配算法。首先分别对两幅待匹配图像的特征点集构造完全图,其次寻找最小生成树,然后通过各自的最小生成树构造Laplace矩阵,接下来进行SVD分解并利用分解结果构造匹配矩阵,最后通过匹配矩阵实现两幅图像匹配。通过模拟图像和真实图像实验,验证了该算法的有效性。　　3、提出了一种基于最小生成树和概率松弛的谱图像匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由SVD分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。通过大量的真实图像对比实验,验证了该算法的有效性和准确性。