图像匹配就是寻找不同时间、不同传感器或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像之间相同部分对应关系的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。当今图像匹配技术的发展趋势是更快的匹配速度、更高的匹配精度和更强的鲁棒性，尤其在地形匹配，网络检索，运动目标跟踪以及工业实时监测等领域中都需要实时性很强的图像匹配算法来处理，如何在保证精度的情况下，提高匹配速度，具有很强的理论意义和使用价值。本文的主要研究方向是如何在保持图像匹配的精度的情况下，实现图像的快速匹配。目前关于图像快速匹配技术的研究主要分为两个方面：基于硬件的快速匹配技术研究和基于软件的快速匹配技术研究。对于基于软件的快速匹配技术的研究大部分是对算法本身的改进，主要是设法减少匹配特征信息数或者改进匹配策略以减少时间消耗、加速图像匹配，典型的如分层搜索技术、序贯相似度算法、灰度组合法、采用多子区相关匹配、幅度排序相关算法等。然而通过改进算法本身改进来加速图像匹配的方法，其加速的程度是有限的。随着GPU等计算机硬件的高速发展，处理器计算速度的不断提高，通过硬件方式对图像匹配进行加速成为一种非常有效的方法，目前已有的研究成果主要基于FPGA，多核系统，Platform，GPU等硬件的支持。综合以上方面的考虑，本文在深入研究图像匹配技术发展现状和GPU通用计算的基础上，重点研究了基于SUSAN算子的SIFT改进算法—SUSAN-SIFT和基于统一计算架构(CUDA)实现图像匹配过程加速的方法。尺度不变特征变换(SIFT)的改进算法SUSAN-SIFT，该算法用SUSAN算子替代三元二次函数拟合和Hessian矩阵保留关键点，并对关键点按吸收同值核区(USAN)区域和关键点极值属性进行分类；在基于CUDA实现图像匹配算法的基础上，对SUSAN-SIFT算法的进行适当调整重构并移植到GPU上运行。通过实验对比分析表明，首先SUSAN-SIFT算法在保证正确匹配率的情况下，降低了特征提取和特征匹配的复杂度，较大提高了算法的匹配速度；其次GPU在处理较低复杂度、较大规模数据时比CPU拥有更好的计算性能，在剔除数据传输带宽因素下，基于GPU实现的图像匹配方法可获得非常高的加速。因此基于SUSAN的SIFT改进算法和基于GPU的匹配算法实现对于图像快速匹配具有一定的意义。