在位移形变监测中,传统监测方法如水准仪、全站仪、GPS和各种接触式传感器等测量精度高且应用广泛。但由于周围环境限制,存在范围小、不连续以及成本高等缺陷,因此能实现非接触式、低成本、连续大范围摄影的视觉测量技术在变形监测领域的应用已成为热点研究问题,同时图像处理技术的发展也为视频序列的处理提供技术支撑,使实时动态形变监测成为可能。本文旨在提出一种改进的sFAST（FAST Subpixel）特征检测结合BRIEF特征向量描述算法进行特征点快速亚像素级特征提取。通过机器学习中的无监督学习方法DBSCAN聚类进行特征点高精度匹配,并以此为基础建立一套动态变形监测系统,实现竖直方向位移的自动提取和结果可视化。通过实验室试验和野外实测验证表明:对于实时化、自动化的高精度变形监测具有重要的理论研究意义和工程实用价值。本论文的主要研究内容如下:（1）从图像局部特征出发,为实现视频序列快速、实时化处理,仅对截取ROI图像处理,在减小处理范围、大大降低数据量的基础上,对现有经典特征提取算法进行优缺点分析:SIFT和SURF算法提取的特征点精度高,生成的描述符稳定性强,但图像金字塔的构建过程复杂,极大限制了提取速度,同时高维度特征描述向量也会降低后期特征匹配速度,因此本文在满足检测精度的基础上,提出一种快速高效的、亚像素级的sFAST与BRIEF相结合的算法,即对待处理ROI进行高斯滤波改善算法提取的特征点在噪声敏感上的不足,同时对特征检测结果进行亚像素化,有效提高后期特征匹配以及位移提取精度。原理简单,适用于无大角度旋转的视频序列的特征提取。以提取速度和特征点重复率为评价标准,改变高斯参数?模拟由于距离远近造成的图像不同模糊场景,进行实图验证,实验表明:本文算法运算速度快,提取特征点稳定性强,对于模糊图像具有一定鲁棒性。（2）对于BRIEF特征描述算法形成的二进制向量,通过基于汉明距离的BF-Match进行快速匹配,但速度快是建立在牺牲正确率的基础上,因此本文引入无监督学习方法中的DBSCAN聚类对粗匹配结果点对间的距离和角度组成的二维样本点集进行聚类分簇,依据当d_阈值（27）3（根据经验所得）时匹配正确,则暴力匹配拥有50%以上的正确率,因此保留最大分类簇中的匹配点对,从而实现错误匹配剔除。最后通过单应矩阵统计不同邻域参数下的匹配正确率,选择最优参数解,并与RANSAC结果比对评估优化改进效果。实验表明:本文改进算法匹配精度高、可靠性强。（3）基于本文研究的图像匹配算法,在Windows 7系统和Visual Studio 2015中基于单文档的MFC平台上,配套OpenCV 3.2、TeeChart Pro Activex Control 2018和List Control控件,进行动态位移形变监测系统的二次开发。系统包含界面设计和功能模块实现。界面设计由菜单栏和划分为三区域的工作区组成,简易大方、便于操作。功能模块包含三部分:图像处理模块、位移提取模块和位移可视化模块。整个系统能够实现视频序列的实时化、高精度自动处理,为位移形变监测提供更多有效的细节信息,有助于建筑设计参考、灾害监测和预警分析,丰富和发展了变形监测体系。