建筑物识别，作为位置识别的一个重要组成部分，其研究工作具有非常重要的意义。本文围绕建筑物识别这一特定的场景开展研究工作，旨在提出一种快速稳健的建筑物识别方法，并建立相应的系统。为达到这一目的，本文首先总结了图像目标识别领域的几类主要算法，并对它们进行了研究和分析，选取了局部不变特征进行建筑物的识别。然后研究了经典的局部不变特征SIFT (scale invariant feature transform)的原理和提取过程，并且使用SIFT特征对建筑物进行了识别实验。实验结果表明，SIFT特征在建筑物识别方面具有良好的有效性，但是特征提取时间长，无法进行实际应用。为此，本文又对SIFT的改进算法SURF(speeded up robust features)进行了深入的研究和分析，发现SURF特征不仅保留了SIFT特征的识别有效性，而且特征提取时间短，适合用于建筑物识别。但是如果希望建立一个快速稳健的建筑物识别系统，还需要对SURF算法没有充分利用图像颜色信息、特征匹配效率低以及存在误匹配这三个问题进行相应的改进。为此，本文首先采用HSV空间中的颜色量化直方图作为颜色特征筛选数据库中的图像，仅保留与查询图像颜色相近的图像，大幅减少了后续匹配的图像数量；然后引入K-D树算法，将数据库图像中提取到的特征点按照树状结构进行索引，并使用基于BBF (best bin first)的K-D树搜索算法在建好的K-D树中查找特征点的最近邻和次近邻，提高图像匹配的效率；最后结合RANSAC (random sample consensus)算法对匹配成功的特征点对进行一致性的检验，随机建立多个数学模型并计算相对应的内点数量，选取数量最多的模型作为最优数学模型，可以用于剔除图像间的错误匹配，提高特征匹配的准确性。最终形成了一种快速稳健的建筑物识别方法。以提出的建筑物识别方法为基础，本文构建了一个快速稳健的建筑物识别系统。该系统包含离线处理和在线处理两个模块，离线模块负责对图像数据库进行前期处理，在线模块负责处理查询图像的识别请求。随后，本文对建立的系统进行了验证实验。结果表明，所构建的建筑物识别系统满足各项使用要求，识别准确度高，运行速度快，是一个快速稳健的系统。