智能制造是提高工业生产水平的战略发展趋势,机器视觉是实现智能制造的关键技术内容。在图像处理领域,图像匹配是机器视觉的重要理论基础,被广泛应用于视觉定位、机器人抓取、目标跟踪、三维重建等领域。匹配场景的复杂性和工业生产日益提升的生产标准要求图像匹配算法具有较高的匹配速度、精度和鲁棒性。为了满足不同应用场景下目标定位需求,针对现有图像匹配算法仅利用单层、低层特征进行图像匹配的不足,本文提出基于多层次语义特征的三种图像匹配算法:（1）面向工业结构化场景下轮廓清晰目标的快速精确定位需求,本文提出基于分层梯度特征的图像匹配算法（Hierarchical Gradient Features Based Template Matching,HGF）。该算法利用梯度信息表达出目标、轮廓和细节三个层次的特征,并基于隐狄利克雷分配模型（Latent Dirichlet Allocation,LDA）提出分层搜索策略,在保证匹配精度的前提下提高了图像匹配算法的匹配效率。相比于现有的基于梯度特征的SBM、GHT等算法,匹配速度提升3～4倍。（2）针对自然场景下纹理丰富目标的高鲁棒定位难题,本文提出基于分层语义部件特征的树匹配算法（Robust Hierarchical Semantic Part Features Based Tree Matching,RHSP）。该算法基于分层语义部件分别将模板图像和待搜索图像表达为分层语义部件特征树和分层语义部件特征森林,以提高模板表达鲁棒性,并将图像匹配任务建模为树匹配问题。为了实现树匹配,提出基于贝叶斯网络模型的树匹配框架,提升了匹配过程的鲁棒性。RHSP算法在COCO数据集上与经典的NCC、MTM、SURF等算法和最新的DSP-SIFT、TFeat、Hard Net等图像匹配算法作对比,实验结果显示RHSP算法达到最高平均定位精度0.9795。（3）为了满足大变形、大视角变换干扰下对纹理结构清晰目标的高鲁棒定位需求,本文提出基于分层语义部件特征的图匹配算法（Hierarchical Semantic Part Features Based Graph Matching,HSPF）。该算法利用高层语义部件特征快速定位待搜索图像中与模板图像语义相似的区域,利用中层语义部件特征将模板图像和语义相似性区域表达为图结构,基于图匹配同时利用中层语义部件的外观信息和拓扑结构信息进行目标定位,提高了图像匹配算法鲁棒性。HSPF算法在COCO数据集上与经典的NCC、MTM、SBM、GHT、SURF等匹配算法做对比,结果表明HSPF在变形和视角变换干扰下达到了最高平均定位精度0.978。本文提出的三种图像匹配算法在各自适用的应用场景中进行应用实验测试,HGF算法在高速匹配计数平台上实现了100%的计数率,单张300*400像素图像平均耗时0.2s（Matlab平台）;RHSP算法在100组同时包含运动模糊和几何变换干扰的应用数据集中达到了0.91的平均定位精度;HSPF算法在各含500张图像的变形和视角变换测试图像序列中分别达到了99%和100%的匹配率。