图像特征匹配已成为计算机视觉和数字图像处理等领域的研究热点，其首要任务是从待匹配的图像中提取含有图像特征的特征点并进行描述，通过建立原图像和待匹配图像的特征点集之间的点点对应关系，计算对应点之间的相似性度量来确定图像是否匹配；或者通过无须建立点点对应关系的最小均方差匹配、快速点匹配、Haussdorff点距离匹配等方法来进行图像间特征点的匹配。常用方法有基于空间关系的匹配算法、基于不变量描述子的匹配算法、金字塔和小波算法等，David G.Lowe提出的SIFT算法以其对各种变换，如旋转、尺度、光照强度等的不变性、稳定性、独特性等特点被应用于视频匹配、图像检索、目标跟踪等领域。在多数实际应用中，由于存在噪声以及各类图像变换等不利因素对SIFT算子在进行特征匹配时鲁棒性的影响，直接关系着整个算法的性能。因此，快速提取稳定可靠的特征，形成有效特征描述子是本文SIFT算法的主要研究目标，本文从不同的角度提出了两种特征描述子的改进方法：一是全局结构化SIFT描述子，通过改变特征点邻域区域，增强特征描述子全局描述特性及其抗旋转尺度不变能力，降低各类图像变换因素给SIFT算法带来的鲁棒性影响；二是基于旋转不变纹理的SIFT描述子，针对生成的关键特征点，计算每个关键点周围图像区域的旋转不变纹理特征，将RIT特征描述融合到SIFT描述向量中，更加全面地描述图像信息，同时利用纹理特征的完全旋转不变性，进一步降低了实时图像与参考图像时序匹配的计算复杂度，纹理化的局部特征描述符的建立，为含有定位误差的匹配方法提供了较强的容错性，在一定程度上降低了误匹配率，改善了匹配效果。本文首先介绍了图像的各类特征以及三种点特征提取算子；然后介绍了SIFT算法的基本概念以及涉及到的关键技术、目前常用的SIFT描述子扩展算法与匹配方式扩展算法，比较了各类算法的优缺点，并通过实验验证了SIFT算子对图像各类变换的不变性；针对目前各种SIFT算法存在的不足，提出了两种改进的SIFT算法：GS-SIFT算法和RIT-SIFT算法，详细介绍了描述子生成方法以及描述子的匹配策略，最后分别分析了它们在不同旋转、尺度、视角、光线变化等情况下的与传统算法的匹配性能，同时给出了实验结果。