基于局部特征的图像匹配是计算机视觉领域中的核心技术之一,也是后续图像配准、三维重建、图像拼接、运动目标跟踪等视觉领域的关键步骤。不同于一般场景,序列影像间的特征匹配算法需要对视角和光照变化有更高的抗性,尤其是在面临一些特殊场景,如大视角场景、准稠密场景、弱纹理场景,传统的特征匹配算法还有一定的缺陷,匹配性能有待提升。因此,本文针对序列影像特征匹配中常见的三种特殊场景,提出了对应的改进算法,进一步提升匹配性能。本文的主要工作如下:1.针对大视角场景下现有特征匹配算法时间效率低、匹配速度慢的问题,提出了一种基于仿射变换空间的特征点匹配算法。算法首先构建了仿射变化空间模拟视角变化,获取仿射不变性;然后通过有效区域的划分,避免在无效区域的特征点检测;在特征描述阶段,将ORB算法融入仿射变换空间,同时融合特征点采样区域内多个方向的梯度对比信息得到最终的二值描述子。通过大视角数据集和序列影像上的实验,证明了该算法在大视角场景下有更好的匹配效果,同时在时间效率上也更具优势。2.为了提高准稠密匹配的准确率与稠密度,提出了一种基于改进型SIFT的稀疏匹配算法和基于多约束条件下的准稠密匹配算法。在稀疏匹配阶段,通过自适应阈值的FAST角点检测算法获取特征点,并在SIFT描述子的基础上构建梯度-灰度复合描述子;在准稠密匹配阶段,将稀疏匹配结果作为种子点对,通过零均值相互归一化系数（ZNCC）、置信度、视差梯度的约束,按照一定的同步生长策略,获取准稠密匹配结果。在Oxford数据集上的实验证明了本文改进的稀疏匹配算法对视角、光照、尺度等各类图像变化的良好抗性;在序列影像的SFM重建实验证明了本文提出的准稠密匹配算法能有效提升序列影像匹配的准确度与稠密度。3.为了解决弱纹理场景下描述子可区分度低,匹配性能差的问题,提出了一种基于局部熵融合多尺度特征的二值描述子。首先,建立了基于灰度-HSV信息的4维DOG空间,为描述子添加颜色信息;然后通过主尺寸池化,获取多个尺度下的ORB特征;最后基于特征点的局部熵和多尺度融合策略获取最终的二值描述子。在Oxford数据集上的实验证明了本文改进的二值描述子对光照、视角变化有着良好的抗性。在包含弱纹理场景的序列影像上的实验证明了本文改进的描述子能够有效提升弱纹理场景下的匹配准确率,有更好的匹配效果和鲁棒性。