形状匹配是计算机视觉领域当中的一个基础问题，该技术可以被应用至形状检索、物体识别、机器人导航、手势识别以及动画合成等多种问题当中。在比较或匹配两个指定形状时，获取有效的形状相似性度量是形状分析研究中的重要问题之一。然而，一些传统的形状分析方法通常缺乏较好的形状描述能力，而另外一些方法则在比较形状相似性时具有较高的时间复杂度。因此，若能寻找到在效率和准确度间获得最佳平衡的形状表示与匹配算法，便可以使得该方法在实际应用中得到推广，该问题的研究价值也因此显得至关重要。论文使用了一种基于学习的形状描述子来进行形状匹配。论文立足于单词袋模型（BoW）的表示框架，该方法可以把形状中提取出的局部特征转化为一个整体表达。由于在向量空间分析当中使用的距离度量可直接用于比较所构建的全局特征，该方法避免了进行局部特征匹配的耗时过程，继而带来了形状匹配时速度上的提升。与空间金字塔匹配（SPM）的思想类似，论文在编码特征整合及视觉词汇学习阶段使用了一种基于特征划分策略，这使得构建的形状描述子同时融入了全局和局部形状信息。另外，论文设计了一种基于局部轮廓片段的二维形状特征提取方法，并使用与局部轮廓相关联的一些重要属性信息来设计特征划分规则。论文所设计的局部特征提取和特征划分方法降低了形状旋转对形状表示的影响。在二维形状表示基础之上，论文也提出了一种基于球面视点投影的方法，将其推广至三维形状表示的应用场景中。通过在二维和三维形状的一些基准数据集当中进行测试，论文对该形状描述子的性能进行了评估。在实验当中，所提出的形状描述子展现出了较好的形状区分能力，同时也保持了较高的时间效率。