三维物体识别是计算机视觉重要分支之一,已经被广泛应用于生物医学、遥感遥测、工业检测、航空航天等领域。目前,三维物体识别技术主要是在建立目标图像的数据库的前提下,从输入的场景图像数据得到相关特征的描述,将其和数据库中存储的物体模型相匹配的过程。　　 本文首先介绍了计算机视觉中的基础几何成像理论,针对单目相机成像系统,讨论了在实际应用中图像处理软件的实现方法,包括图像噪声抑制、图像灰度变换、图像阈值分割、直线检测与链码跟踪等预处理技术。　　 特征检测是图像处理与模式识别中的一项基本技术。根据匹配与识别的要求,检测特征的方法需要较高的特征点定位精度。鉴于特征点数量较少,计算量小易于实现的特点,本文介绍了目前普遍应用的特征点检测方法,对其结果进行了分析,总结了基于灰度的特征点检测算法的优缺点。　　 本文为实现多视角图像特征点的立体匹配,采用了一种基于图像边缘轮廓和尺度不变特征变换SIFT的匹配方法。首先对图像用Canny算子进行边缘检测,再作二值化处理；然后利用SIFT算法在二值图像的尺度空间上提取特征描述子,通过最近邻/次近邻比值来实现特征点匹配,并利用视差约束对匹配点对进行优化。本文对比了该算法在不同情况下对物体图像处理效果的优劣,而经过预处理的SIFT方法能在一定程度上更好地实现灰度图像的立体匹配,可以应用于图像识别领域。在本文最后讨论了基于模型的图像匹配中所需的基本算法,将不同视角图像进行线性组合来得到新视角的图像,以此作为场景模型匹配的理论基础。　　 为了验证涉及算法的有效性,本文进行了大量实验,并在实验结果的基础上对匹配方法做了改进。