图像匹配是计算机视觉的基本且重要环节,广泛应用于计算机视觉的各个领域。图像匹配指的是查找同一场景不同成像之间的关系,图像匹配可以分为基于灰度的图像匹配方法和基于特征的图像匹配方法。前者对图像的非线性变换更为敏感,后者通过提取稳定特征的方式有效地提高了图像匹配精度,并且运算速率快,成为了研究的热点内容。非下采样Contourlet变换（Nonsubsampled contourlet transform,NSCT）具有良好的图像分解特性,体现图像较好的几何特征,因此本文主要基于NSCT变换进行图像匹配的研究,主要工作如下:1)人为或设备采集等因素导致图像受到如噪声干扰时,SIFT算法（Scale invariant feature transform,SIFT）无法达到较好的图像匹配效果。为了提高SIFT算法在这些场景的图像匹配性能,实现了基于NSCT改进阈值的图像匹配方法。首先,对输入图像进行多方向、多尺度的NSCT分解;其次,对分解的低频图像进行直方图均衡化突出图像的局部信息,对高频图像利用改进的阈值方法去噪;然后将处理后的图像做逆NSCT变换得到增强图像,作为新的输入图像引入到SIFT算法进行图像匹配;最后采用随机抽样一致性原则（Random sample consensus,RANSAC）筛选匹配对。分别在不同添噪的光学图像、异源遥感图像和SAR图像上进行了方法对比实验,结果表明基于NSCT改进阈值的方法提高了原始输入图像的匹配性能。2)为了迎合更多的实际场景需求,保证稳定特征点检测的同时提高匹配性能,提出了一种融合NSCT和亮度序的图像匹配方法。首先,采用图像金字塔的方式检测表征图像局部不变信息的特征点;其次,以特征点为中心的圆形区域划分NSCT支持区域;然后,利用亮度序将支持区域划分为多个子区域;最后,利用内积和外积对每个子区域以及子区域之间的梯度进行特征描述,串联所有的特征描述作为最终的局部特征描述。在图像的模糊变换、视角变换、仿射变换、压缩变换以及线性光照变换等数据集上进行了对比实验,结果表明融合NSCT与亮度序的方法在不同变换图像表现良好的匹配性能。