图标(Logo)是一种代表组织机构或产品身份的图形符号。它传递了特定的文化内涵和价值信息，因此对识别其所代表的对象来说具有十分重要的意义。基于上述内容，图标识别成为当今研究的一个热点课题。目前，有关图标识别的研究已经在版权保护、智能交通、军事目标检测、医学识别、产品鉴定等领域取得了广泛的应用。但是，在实际应用中，图标样本少，搜集困难，且大多数样本处在复杂的自然场景中，受到光照、遮挡、变形及拍摄角度变化等干扰因素的影响，使图标识别面临较大挑战。尽管近年来有很多基于监督学习的图标识别方法被提出，用以解决上述问题。但由于图标存在类别多，类内差异大，人工标注困难等问题，该类方法仍无法适应实际应用需求。因此，基于图像检索的图标识别方法成为学术研究的重点。本文主要针对基于图像检索的图标识别方法中的特征提取、特征匹配和几何一致性验证三个关键技术方面展开研究，取得了如下成果:　　1.提出一种基于稀疏编码软分配的词袋特征提取与匹配方法　　为了降低量化损失，本文提出了一种基于稀疏编码软分配的词袋特征提取与匹配方法。在特征提取阶段，采用基于稀疏编码组合的软分配方法对局部特征进行分段稀疏表示，并对稀疏编码过滤，得到高鲁棒的大词表。在特征匹配阶段，通过改进相似性度量方法来减少误匹配，提高了识别精度。实验结果验证了该方法的有效性。　　2.提出一种基于稀疏重构的几何一致性验证方法　　为了消除错误匹配，进一步提高识别精度，本文提出了一种基于稀疏重构的几何一致性验证方法。首先稀疏重构出匹配点对的SIFT描述子，根据重构出SIFT描述子之间的欧氏距离来判断匹配对的一致性，然后分别应用邻域匹配方法和求解单应性矩阵方法剔除错误匹配，以进一步提高识别精度。实验结果表明，本文提出的方法与近似最近邻AKM方法相比，平均识别精度提高5.33％，准确率提高4.78％。　　3.构建一个图标识别数据集，并研发一套大规模图标识别系统　　在上述研究的基础上，本文构建一个405类别的图标识别数据集，并研发了一套大规模图标识别系统。在该数据集上的实验结果表明:本文研发的系统具有较高识别精度，且能达到大规模应用下实时识别要求。