近十几年来，随着数字图像及视频获取设备在人们生产及生活中的日益普及、计算机存储介质成本的不断降低、互联网技术的迅速发展，同时随着人们对视觉媒体的日益关注，许多企业、机构和个人积累了大量的数字图像及视频数据，而互联网上数字图像和视频的数量更是以前所未有的速度增长，互联网正变成一个无比巨大的数字图像及视频库。因此，如何有效地对数字图像和视频进行分析和处理以满足人们生产和生活的需要，成为一个具有意义和挑战性的课题，而图像场景匹配和视频运动分析正是其中重要的研究内容。图像局部不变特征能够鲁棒的描述图像的局部结构，具有良好的视角和光照不变性，近年来引起许多研究者的关注，并被应用于图像检索、图像匹配、图像分类、物体识别和视频数据挖掘等诸多领域。本文重点研究了如何将图像局部不变特征应用于图像场景匹配及视频运动分析问题以获得高效的算法，做出的主要贡献如下：　　 第一，提出了一个新的图像场景匹配方法。图像场景匹配能够度量图像中场景的相似度，对于按照图像场景管理大规模数字图像库具有重要应用价值。对于一副图像，新方法首先提取其中的图像局部不变特征，然后基于亲和度聚类算法，将特征按照远近距离和相似度聚类，最终将图像表示为带权重的局部不变特征聚类中心的集合(称为特征签名)。两幅图像的场景相似度通过计算它们韵特征签名间的改进的推土机距离(Earth Mover Distance-EMD)获得。与近年国际上发表的相关算法的比较实验证明了该方法的有效性。　　 第二，提出了一个新的视频运动分析方法。视频中的运动信息包括摄像机的运动信息和前景物体的运动信息。在视频中摄像机或前景物体剧烈运动的情况下(例如动作片)，有效的分析视频运动信息是一个十分困难、具有挑战性的问题。本文基于可靠的图像局部不变特征点的运动信息分析视频中的运动信息。该方法首先在相邻采样帧间鲁棒匹配局部不变特征点以获得可靠的特征点运动信息，进而基于这些特征点的运动信息分析并获得视频中摄像机的运动信息和前景物体的运动信息。对于摄像机的运动，该方法可以定性分析摄像机运动类型(平移或缩放)，并能够估算摄像机运动参数模型；对于前景物体的运动，该方法可以提取一个描述前景物体运动特征的前景运动特征向量。实验证明该方法可以有效分析视频(包括前背景剧烈运动的视频)中摄像机的运动类型。我们基于前景运动特征向量提出了一个电影中打斗镜头判别方法，并用实验证明了该方法的有效性，这也证明了前景运动特征向量能够有效的描述视频中前景物体的运动。