如今,随着科学技术的发展,图像匹配技术的不断更新,基于图像特征的匹配方法得到快速发展,但在实际应用中仍存在很多不足。比如在复杂场景条件下,可能待匹配图像含有大量的重复模式或者相似结构,进而造成大量相似特征提取,导致匹配的精度下降或者由于自然因素(比如天气问题)和人为因素造成的成像条件变化,相似景物干扰,遮挡等变化导致的引发图像错误匹配问题。本文围绕复杂场景条件下图像特征匹配系统面临成像条件变化(成像位置,光照及阴影等变化)、重复结构等挑战,严重影响了图像匹配算法的性能方面展开研究,具体工作和研究创新如下:1.针对包含重复结构的复杂场景特征误匹配率高,投影模型可靠估计算法效率低的问题,对估计投影模型的RANSAC方法做出分析和改进,提出一种多区域可靠随机采样一致性的图像匹配方法,在图像实现正确匹配前,预先通过相似性邻域约束算法实现稳定可靠的特征筛选和分类;在此基础上,从可靠特征匹配集中分区域抽取样本,利用初始总的特征匹配集验证模型估计质量。实验结果表明该方法在提升投影模型估计效率的同时,增加了正确匹配点数,提高了图像的匹配质量。2.针对复杂场景下重复结构问题或存在一些复杂图像变换导致匹配精度低,使用估计变换模型来剔除误匹配的RANSAC及其相关方法存在的模型退化问题,将消除错误匹配转化为二分类问题,提出一种基于对应特征邻域结构相似学习的图像匹配方法。该方法使用监督学习支持向量机SVM算法,在图像特征实时匹配前,将训练集中的图像建立好邻域结构关系信息的特征点对结合序列最小优化SMO算法进行线性分类器高效训练。实验结果表明给定不同变换类型图像对的特征对应关系,训练好的SVM分类器可以较准确地完成匹配正确或错误特征对的分类,能够有效地提高图像匹配的精确率和查全率。