图像匹配技术在视觉导航、目标搜索和医学影像方面都有广泛的应用。目前已有很多针对同源图像的目标匹配研究,但对由不同传感器(如可见光成像传感器、红外成像传感器、雷达传感器等)形成的异源图像间的匹配仍有许多问题尚待解决,例如精确目标特征提取、局部特征描述及视角变换造成的形变物体的匹配等。本文从图像中目标轮廓信息入手,研究了精确显著目标轮廓提取、匹配对象轮廓筛选、视角变化鲁棒性的局部轮廓结构特征描述子和基于PNP算法的图像视角校正等基于轮廓信息的异源图像匹配中会遇到的关键问题。首先,针对现有轮廓提取算法无法在复杂背景下精确提取异源图像显著目标轮廓的问题,根据先聚类再分割的思想,研究了基于改进meanshift聚类的图像分割算法,将纹理熵值图像中提取的显著目标轮廓位置信息作为先验知识带入聚类,自适应控制平滑尺度,并通过动态调整聚类使用的核函数提高算法实时性。对比实验结果证明,与传统meanshift算法相比,本文算法的轮廓提取精度平均提高了30%,且实时性提高了约40%。然后,为了提高后续异源图像特征提取、匹配算法的准确性与,本文研究了一种基于轮廓复杂度评价的图像中人造目标轮廓检测算法,并以此对聚类得到的轮廓进行筛选,只保留具有匹配价值且包含有足够信息量的潜在人造物目标(如桥梁、房屋、飞机、车辆等)轮廓,为后续的特征提取和特征描述与匹配等工作奠定了基础。其次,针对目前基于轮廓信息的匹配算法对于视角变换造成形变轮廓匹配效果不佳的问题,研究了一种新的局部轮廓特征描述算法,即提取待匹配目标轮廓上的角点作为特征点,以其左右两侧的局部轮廓结构作为特征描述对象,根据角点的相邻关系、轮廓段的凹凸性等局部结构特征,构建了具有旋转、缩放、平移以及较大视角变换导致的轮廓形变鲁棒性的局部轮廓特征描述算法。实验结果表明,该轮廓特征描述算法与基于傅里叶变换的轮廓描述算法和传统轮廓结构描述算法相比,对轮廓形变的抵抗性分别提高了21%与5%。最后,针对实际异源图像匹配中单纯使用局部轮廓信息会产生较多误匹配的问题,使用PNP算法结合初匹配获得的同名点组合推算出两张图片间存在的视角变换参数,通过逆运算将两幅匹图像中的匹配轮廓段校正为同一视角,再利用全局特征点匹配情况配合随机抽样一致性算法验证匹配的准确性。对比实验结果证明,本文所设计匹配算法的平均正确率达到89%,较Hausdorff距离与改进DTW算法分别提高了36%与45%。