二维图像局部特征是一种低层信号特征并被广泛应用于机器视觉技术的研究领域，与其相关的检测、描述、匹配与跟踪技术也在不断的发展之中。本文对局部特征点提取方法、局部特征点匹配方法和粒子滤波技术中的若干问题进行研究，完成以下4个工作：
　　(1)提出高可重复性的尺度不变局部特征点提取算法。目前很多经典的尺度不变特征提取算法基于离散化核函数构造的尺度空间表示，但没有考虑量化误差对算法性能的影响。由于采用离散化核函数构造尺度空间表示的计算误差在小尺度部分较大，并且随着尺度增加该计算误差趋近于零，本文提出以像素为单位增加核宽度的方法构造卷积核，避免以倍乘方式扩展尺度时存在的在低尺度部分采样密集而在高尺度部分采样相对稀疏的缺点。为了克服量化误差对因果性造成的影响，本文采用全局比较的方式获取局部特征点，从而减少局部比较方式产生的不稳定极值点数量。本文讨论了圆盘形卷积模板性质及其有限半径产生的计算误差上界，以增加局部特征在旋转条件下的稳定性并限制计算误差对极值点获取的影响。本文提出的特征提取算法在特征点的召回率和精确度方面较基于局部比较的特征点提取算法有明显优势。
　　(2)提出基于几何信息辅助的局特征匹配算法。由于不同的特征点可能具有相似的特征描述子，所以直接基于特征描述子相似度得到的特征匹配不一定是正确的。使用Bayes定理对影响匹配可信度的原因进行分析可知，引入独立的以非匹配为条件的度量事件可以增加匹配的可信度，于是本文提出使用特征点投影距离构造几何信息辅助局部特征匹配的方法。与很多基于几何信息辅助匹配算法不使用局部特征的尺度信息不同，本文提出的特征匹配算法将特征抽取过程中获得的尺度信息用于计算特征点在一个假设平面上的投影。如果两个特征点不匹配，则它们在这个假设平面上的投影与参考点之间距离相同的可能性非常小，又因为这些距离独立于特征描述子，所以使用这些距离构造出以非匹配为条件的度量事件提高匹配的可信度。测试表明，使用以特征点投影距离关系信息为辅助的匹配算法在匹配精确度方面高于直接基于描述子相似度的匹配算法。
　　(3)提出用于局部特征匹配的最小二乘一致性估计算法。由于过失误差和随机误差的存在，具有相似特征描述子的特征点不一定是真实的匹配特征点。传统的随机样本一致性估计方法减少特征匹配中的过失误差但并没有降低随机误差的影响。本文将二阶平稳随机过程引入单应性变换模型，得到该模型用于估计单应性矩阵时估计方差单调减小的条件。使用这个条件并且基于候选匹配特征点的描述子距离次序统计量提出一种迭代使用最小二乘方法的算法估计图像间的单应性矩阵，该算法在增加样本容量的过程中降低过失误差，同时随着样本容量的增加，估计的随机误差也得到抑制。在用于局部特征点匹配时，最小二乘一致性估计算法的计算效率和匹配精确度总体上优于随机样本一致性估计算法。
　　(4)提出条件重要性采样方法和条件自举滤波算法。如何抑制样本退化和提高估计有效性是粒子滤波技术中的重要问题。在传统的重要性采样方法里，样本点总是以概率1被接受，这会导致过多权值接近0的粒子存在，从而引起严重的样本退化并降低估计的效率，尤其当建议分布与目标分布差别大时这种情况更为严重。本文在建议分布中引入一个随机阈值条件，将重要性采样过程分成两个并列的方式：直接采样方式和拒绝采样方式。这样的采样方式被证明有很好的性质：它在保持估计的无偏性或渐近无偏性的同时可以提高估计有效性。将条件重要性采样用于粒子滤波算法可以使样本退化过程变慢同时也增加估计有效性。本文在条件重要性采样方法和自举滤波算法基础上提出条件自举滤波算法，该算法在保持较多有效样本容量和较小估计方差方面明显优于自举滤波算法和其它一些粒子滤波算法。本文分别使用条件自举滤波方法和自举滤波方法构造了基于局部特征点的视觉目标跟踪算法。分别在简单场景和复杂场景下对使用不同滤波方法的跟踪算法进行测试，结果表明使用条件自举滤波方法的跟踪算法能保持更多有效样本容量并且获得更准确的目标位置估计。