在计算机视觉领域中，图像匹配的研究主要包括设计优异的图像特征描述方法和良好的匹配策略两个方面。提出健壮性较强的图像特征描述是获得其较高匹配准确度的有效策略，也是定义区分度较为明显的图像特征相似度的重要保证。在拥有良好图像特征描述方法的前提下，图像匹配的任务就是定义并求解一种能够获得两特征集合间一致性对应关系的模型，即匹配策略。而目前常用的匹配策略，主要有基于相似度远近的思路，也有存在RANSAC的匹配方法，同时还存在基于目标函数最优化的图匹配模型。为了获得更加准确的图像匹配效果，国内外研究者曾提出了较为著名的特征点描述子及图像匹配方法。图像特征描述子是指对图像中关键点进行一定的数字化描述，一般表现为向量或矩阵形式。而图匹配模型先提取图像描述子集合，然后采用图理论构造集合间一致性对应关系的最优化目标函数。它不仅具有易于实现的优点，也有几何的直观性。本文进一步研究了图像特征信息的描述及其线性分配模型——最优化匹配模型与机器学习模型。主要的工作内容包括以下几方面：1)针对目前基于特征点的图像信息描述方法不充分的缺点，结合图中多阶信息，充分利用图中顶点所形成的结构化信息，从特征点所形成的边或三角形的角度提出改进方法，得到基于点、边、三角形图像特征——图像多阶特征，并进行相应的对比实验。实验结果表明，相对于图像特征点(一阶)描述子，基于边（二阶）或基于三角形（三阶）的特征描述子其二义性更小，不变性更强，且匹配效果明显较优。2)通过将图像匹配问题抽象化为图匹配，然后以建立图节点集之间最优的一致性对应关系为目标，讨论了基于图像多阶特征对集的最优化匹配模型，同时针对匹配模型中参数的设置提出了基于截断高斯核方法。以最优化目标函数的图匹配模型证明了其理论可行性，其准确度较之于最近邻方法更为准确，再结合图像多阶特征的情况下，可以充分利用图像的结构化信息，即图像特征点集中点与点所形成的边、三点之间所形成的三角形所刻画的整体结构。实验证明，最优化匹配模型是可行的，它能够获取全局最优的匹配结果。3)针对影响最优化匹配模型的主要因素进行分析，研究了图像特征相似度的自动学习问题。通过引入合适的最优化目标函数，将机器学习模型与BundleMethods进行有效结合以正则风险最小化，从而获得适应性较好的图像特征相似度计算参数。最后，在多个不同图像数据集上验证了利用机器学习方法确定相似度参数对提高图像匹配准确度的重要作用。