图像匹配是数字图像处理领域中一个非常重要的研究问题,其研究内容为利用有效的匹配算法搜索给定的两幅或多幅图像中的同名点。而对于同一自然场景不同时刻所拍摄的两幅图像中,人们通常更为关心的是两幅图像中变化的区域,这些变化区域根据形成原因可分为两类:自然变化和人为变化(自然变化包括:风吹草动和天气变化等,人为变化包括行人、车辆和工程施工等)。本文的目的就是利用图像匹配技术检测出图像中人为因素所引起的变化区域,而滤除那些由自然因素所引起的变化区域。图像匹配算法主要可以分为灰度信息匹配和特征点匹配两种基本类型。基于灰度信息的匹配主要利用图像的灰度信息进行匹配,但对噪声以及非刚性形变较敏感,其更大问题在于匹配速度较慢,对于很多对实时性要求较高的应用难以适应。基于特征点的匹配是利用图像中提取的特征点进行匹配,可以克服多数基于灰度信息匹配的缺点。由于特征点较像素点少很多,匹配过程中的计算量大大减少。特征的提取是此类方法的重点,常用的特征基元有点特征、边缘特征等。此类算法只关心提取的特征点的匹配,而对于特征点之外的像素的匹配则不关心,所以基于特征点的匹配难以做到像素对像素的精细匹配。此外,许多新的图像匹配思路也不断被提出,如基于优化算法、深度卷积网以及利用图像中的结构信息等。本文主要研究对于同一摄像头固定位置、角度和焦距,在不同时刻拍摄的自然场景图像的匹配。基于前述对两类基本类型的匹配算法的分析,两类算法均不能有效解决本文的匹配问题,而将多层次、多特征的匹配进行融合可以克服单一类型匹配算法的不足。因此,本文提出了多特征融合的图像匹配算法解决此类匹配问题。首先,对图像做预处理以减少光照变化对后续匹配的影响;然后,利用多颜色空间图像差分融合对两幅图像做像素级匹配;再利用Haar特征密度分布图对像素级匹配结果中局部细小的非刚性变化区域进行超像素级的匹配;最后,利用多特征融合方法对面积较大的刚性或非刚性变化区域进行区域匹配。本文算法在高压线路隐患检测的应用中表明,该算法能够有效的处理复杂自然场景下图像匹配问题,扩展了图像匹配技术的应用范围。本文主要贡献为,提出了多颜色空间融合差分、Haar特征密度分布图以及多特征融合的图像匹配方法。