近年来,基于定位的移动互联网新型服务越来越多。但常用的定位技术往往存在精度有限(如GPS定位)或者易受环境因素影响(如Wi-Fi定位)等问题,尤其是在大型商场、火车站、机场、停车场等场合,视觉定位则相对更有优势。此外,由于Web应用非常流行,研究如何使用基于Web3D的定位服务,并通过图像识别的方法提高Web端的视觉定位效率,目前已然成为了新趋势。因此,本文深入分析了场景识别的特点和技术难点,从特征提取、特征匹配、构建视觉数据库三个方面入手,重点研究如何高效获取场景图像上的视觉特征和位置信息。首先通过对SIFT(尺度不变特征变换)描述子的改进,提高图像特征提取的准确度和速率;其次使用了基于改良视觉词袋的特征聚类方法,改进图像特征数据量庞大时不易插入分类数据的问题;最后针对传统采样方式存在较多冗余信息的问题,构建了一种基于Keyframe的视觉数据库。通过实验测试结果发现,使用上述方法能够在保证定位质量的前提下,提高图像检索效率,从而减少了定位时间。另一方面,针对定位过程存在的场景模型卡顿问题,本文使用了一种视距分层优化的Web3D渲染方法。方法分为预处理阶段和运行阶段。其中在预处理阶段时使用OBB(方向包围盒)树辅助场景模型生成空间单元,计算出空间单元在不同视角的可见性,并完成不可见单元的剔除,使得在离线状态就剔除掉一部分模型。在运行阶段时,完成了细节层次因素相关计算,得出渲染所需的最少必要空间单元,利用GPU(图形处理器)的并行计算能力,生成必要空间单元的三角形序列。通过实验测试结果发现,使用上述方法能够在保证场景真实性的前提下,将场景模型的必要渲染时间最小化,从而降低了模型渲染帧率,保证了场景模型交互在定位过程中的实时性。