随着计算机技术的不断发展,形状匹配技术逐渐成为机器视觉和模式识别领域的—个研究热点,很多形状匹配方法已成功应用于人脸识别、机器人导航、医学影像分析等领域。形状匹配方法的基本出发点是使用合理的度量准则计算形状间的距离或相似性,因此,如何构造有效的形状特征描述符,并根据描述符的不同选择合理的特征匹配方案,是形状匹配过程中需重点关注的问题。本文从逐对形状匹配和形状距离学习两个角度进行分析。在逐对形状匹配方法中,针对使用三角形区域特征描述子对一些相似形状进行匹配时鲁棒性较差,以及区分某些不相似形状时判别能力较弱的问题,提出一种结合轮廓点空间关系特征的多尺度形状特征描述子。通过分析不同尺度下参考点与其他采样点之间的位置关系,构造出形状特征描述子,实现对形状局部和全局信息的描述。且在特征匹配阶段引入动态规划和形状复杂度等,确保形状匹配的精度。为弥补逐对形状匹配方法未考虑样本空间中流形结构信息这一缺陷,引入距离学习的后期处理步骤对其进行改进。在形状距离学习方法中,使用期望首达时间对相距较远的形状距离进行更新时,完成状态转移的平均步长较长,导致更新后的距离存在偏差,针对这一问题,提出一种广义期望首达时间算法。在形状样本状态空间集合中,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离,法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响。使用不同数据集上进行仿真,实验结果证明本文所提方法能够有效地进行形状检索和识别。