随着计算机技术和网络技术的飞速发展,机器视觉图像处理技术成为人工智能和模式识别领域的研究热点。近年来,视觉图像处理技术被广泛应用于室内定位、自动驾驶、人工智能等现实生活领域中。因此,研究该技术对现代科技的发展有着重要的意义。本文主要研究了视觉图像降维技术、视觉图像检索技术以及基于视觉图像的室内定位技术。具体研究内容如下:1.高维原始图像中存在大量冗余信息,这不仅大大增加了图像分类过程的计算量,而且不可避免地降低了图像分类模型的性能。针对此问题,本文提出了一种基于低秩稀疏的图像特征选择模型（LRSSR）来选择图像重要特征,实现图像降维。首先在LRSSR模型中加入结构化稀疏惩罚项来减少图像噪声影响,然后再加入Schatten-p范数来解决秩最小化问题,使模型学习到原始数据中固有的低秩结构信息,选择代表性特征并减少冗余特征。实验结果表明,所提出的LRSSR模型能够有效选择出冗余度较小的特征子集,使得图像在较低维度下得到较高的分类准确率,为下一研究点图像检索算法中分类检索准确率的提高奠定了较好的研究基础。2.传统的基于图像匹配的检索技术效率低下,而基于神经网络的图像检索技术虽然检索速度快,但易受光照变化、尺度变化以及旋转变化的影响,在室内场景下检索效果并不理想。为了解决此问题,本文提出一种基于图像分类的快速图像检索（FIM）方法。首先提出一种混合分类模型（HC）,通过分类缩小图像检索范围,解决传统的仅使用局部特征匹配检索效率较低的问题,提高图像检索的效率,然后使用加速稳健特征（SURF）进行图像匹配,解决基于神经网络的图像检索技术对光照以及尺度变换鲁棒性较差问题,以提高匹配精度。实验结果表明,改进的图像检索方法有着较好的检索精度和效率,为下一研究点视觉室内定位奠定了较好的研究基础。3.室内机器视觉图像中存在大量的噪声,不仅大大降低了图像特征匹配的精度,而且增加了基本矩阵估计误差和室内定位误差。为了解决这一问题,本文提出了一种改进的基于视觉的室内定位（IBIL）方法。首先提出了一种异常匹配点剔除算法（OMPE）,通过相关系数阈值约束剔除异常匹配点对,消除了异常点对基本矩阵估计的负面影响,然后提出了一种改进的基本矩阵估计（RFME）方法,通过代数误差和几何误差对基本矩阵进行约束,以降低基本矩阵估计误差,最后结合以上几个创新点,提出一种基于机器视觉图像的室内定位方法。实验仿真结果表明,本文提出的室内定位方法能够有效提高定位精度。