在当今社会中,人类日常生活中的目标变得越来越复杂,但无论目标变得多么复杂,目标中仍存在一些不变的特征。在对复杂目标的不变特征进行提取时,待检测特征点在不同尺度上表现形式不尽相同,因此需要在不同的尺度上对特征点进行检测,以保证检测到的特征点能够准确、有效的对目标进行描述和分析。本文的主要工作及创新性如下:(1)针对传统的特征提取方法无法在多个尺度上检测图像特征点的问题,提出了将多尺度分析与特征提取方法相结合,在不同的尺度上对原始目标图像进行特征点提取的方法。(2)在粗尺度上,选取不会产生噪声积累的形态学梯度算子对人脸图像的轮廓特征进行提取,形成一个新的人脸库—ORL轮廓人脸库,然后分别采用SIFT算法与CNN模型对ORL轮廓人脸库进行识别与匹配。使用ORL轮廓人脸库进行识别时,SIFT算法的识别率提高了1.78%,识别速度提高了34.35%;CNN模型的识别率提高了1.96%,识别速度提高了35.19%。(3)针对ORL轮廓人脸库中的人脸目标图像的纹理信息大量丢失,识别过程中容易出现差错的问题,提出了对ORL人脸库的轮廓进行提取后,进行相似度对比,将相似度较大的轮廓图像的原始图像进行整合,形成一个新的人脸库—ORL缩减人脸库,然后分别采用SIFT算法与CNN模型对ORL缩减人脸库进行识别与匹配。使用ORL缩减人脸库进行识别时,SIFT算法的识别率提高了4.78%,识别速度提高了45.80%;CNN模型的识别率提高了5.88%,识别速度提高了47.69%。