局部特征检测通常作为计算机视觉中许多任务的先决条件,例如图像分类、图像匹配、目标检测、图像检索等,检测到的特征的优劣会直接影响到此项任务的最终性能,一直是计算机视觉领域中的一个研究热点。近年来,随着数据量的爆炸式增长和计算机硬件的发展以及各种基于机器学习的算法相继提出,局部特征检测的研究已从手工设计方法转变为基于机器学习的方法,尤其是基于深度学习的方法。目前最先进的基于深度学习的特征检测器基本上是协变局部特征检测器及其演进算法,它通过预测来自附近像素的关键点的变换来进行关键点的检测。协变局部特征检测器在进行局部特征检测过程中,均等地对待每个像素,这种处理方式可能会漏掉鲁棒性较高的关键点和错误地检测到不稳定的关键点。并且针对各种任务的局部特征检测器,都是独立进行设计,无法整合其它局部特征检测方法的优点。针对上述问题,本文围绕局部特征检测相关方法展开研究,主要研究工作如下:（1）对已有的局部特征检测方法进行分析和介绍。本文从基于手工设计和基于机器学习两方面,对局部特征检测方法进行了系统地梳理、分析和总结,发现目前的基于机器学习的局部特征检测方法是基于一种特定指标来确定一个点是否为关键点的。但是,由于自然图像的复杂性,有关局部图像结构的单一信息通常不足以检测具有高重复性的不同图像之间的可靠关键点。（2）提出基于协变局部特征检测器的特征融合方法。为解决（1）中问题,本文提出了一种改进局部特征检测方法,通过融合从另一个检测器获得的特征信息来改进协变检测器,将预测变换作为有意义的分数图以进行关键点检测,该方法可作为置信度来指导投票程序。这样,融合信息可以增强被认为是好的特征,并减弱那些不稳定的特征。本文分别从基于手工设计的和基于机器学习的特征检测器中获取特征信息,将它们融合到协变特征检测器。在四个广泛使用的基准上对该方法进行了评估,实验表明在可重复性等性能上都得到了进一步的提升。（3）改进局部特征检测方法的应用。将通过基于协变局部特征检测器的特征融合方法得到的局部特征应用到图像匹配和图像检索任务中,并在广泛使用的评估数据集上进行实验验证,结果表明本文提出的方法可以在匹配分数和平均精度均值（m AP）都有较大的提升,证明了本文所提方法的有效性。