图匹配作为图像处理任务中的基础及核心部分,对计算机视觉和模式识别等领域的发展起着重要作用。超图匹配能够有效解决图匹配问题,其广泛应用于目标识别、跟踪和信息检索等方面。现今有许多超图匹配算法,但是由于超图匹配算法的模型求解是NP-hard的,所以很多算法都是将局部的最优解近似替代目标函数式的全局最优解。同时,在实际问题中存在噪声、变形及外点等不利因素的影响,大大降低了超图匹配算法的准确度,因此寻求更高匹配准确率的方法是当前超图匹配的主要目的。本文主要针对基于张量的超图匹配算法展开研究,提出了两种有效的超图匹配方法。首先,本文利用机器学习算法解决超图匹配问题,提出了基于自步学习的超图匹配方法。具体地,本文根据特征点之间的拓扑关系构建两图之间的亲密度张量信息,利用自步学习由易到难的学习机制逐步学习样本,以得到一类图形的模型图高阶特征;同时优化现有的自步正则项函数使模型图更加稳健,利用学习的模型图转化实现更多图像之间的两两匹配关系;并且通过在不同的数据集上仿真实验验证了该算法的有效性。此外,本文还对存在噪声、形变以及外点的异常情况进行了实验分析,结果表明了该算法在噪声、形变以及不对等点情况下的匹配鲁棒性更强。其次,本文根据图匹配的循环一致性,提出了基于低秩张量恢复的超图匹配方法。具体地,本文借助特征点之间的拓扑关系构建单图特征信息张量,然后利用置换矩阵组建含更多图像的特征信息张量;同时根据图像特征之间的线性关系和一致性可认为该多图张量是低秩的。此外,本文采用交替方向乘子法(ADMM)来恢复低秩张量表示,从而解决图匹配问题;并且通过在多个数据集上实验计算了此算法的匹配准确率,证明了该超图匹配方法的有效性。最后,总结表述了本文所做的工作,同时对目前超图匹配方法的缺陷以及未来的发展趋势进行了展望。