近年来在模式识别和图像处理领域,基于生物视觉的相似性度量在机器学习领域逐渐成为热点问题。特别是在复杂环境目标识别问题中,希望能得到好的相似性度量,以实现图像中不同目标的选择性和同一目标不同图像不变性的统一,因此探索新的高效算法仍然是目前模式识别和图像匹配领域的研究热点。本文首先概述了图像匹配算法特别是相似性度量的研究现状。重点介绍了导出核模型的构造过程以及面临的问题,其基本思想是把灵长类动物视觉皮层的响应原理引入到机器学习研究中,来衡量图像内在特征接近程度,使机器能更有效地进行学习。然后本论文根据导出核模型基本结构框架,提出了基于对数极坐标变换(log-polar transformation,LPT)的导出核模型,并对该模型的基本思想、数学模型、模板选取以及不变性进行了详细叙述和证明,并通过人脸仿真实验验证了算法对于处理旋转、伸缩等复杂变换的良好效果。最后,分析了此方法的不足并对可能的研究方向进行了探讨。导出核模型的出现,特别是其平移不变性对于相似性度量的研究提供了基础。基于此,本文提出的基于LPT的导出核模型在处理旋转、伸缩等复杂图像目标识别问题中表现出较好的效果,并通过实验验证了该算法的有效性。