景象匹配技术是一项重要的图像分析与处理技术,广泛应用在导航定位、天气预报、环境研究、变迁检测等领域。景象匹配技术的难点在于成像条件受到不同传感器、不同自然条件以及各种成像畸变的影响,选取适应性强、精度高、计算快的匹配算法是研究的难题。针对这些问题,本文研究了基于特征点的景象匹配技术。本文在分析了现有景象匹配技术的基础上,研究了SIFT匹配技术,从DOG尺度空间的建立、极值点检测、描述子的生成到基于kd-树的BBF相似性度量等四个方面分析了算法。针对SIFT算法匹配结果存在伪匹配的问题,本文采用相邻特征点关系去除伪匹配。实验结果表明SIFT对尺度变换、光照变换、旋转变换、噪声等影响因素都具有很好的不变性。本文将PCA应用到SIFT描述子的生成上,起到了对描述子降维的目的。本文在分析了PCA理论在数学上的描述之后,实现了PCA-SIFT描述子的生成,实验结果表明,在基本不影响匹配性能的前提下,使得计算速度大幅度提高。为了进一步提高计算速度,本文研究并实现了SURF景象匹配技术,SURF是在积分图像的基础上进行快速运算,并利用箱式滤波器建立尺度空间,通过快速Hessian矩阵检测极值点,利用哈尔小波生成描述子,采用快速索引进行相似性度量。实验结果表明,SURF对于景象匹配在速度上有了极大的提高。本文最后通过对SIFT、PCA-SIFT和SURF的实验数据,对三种算法在性能上做了对比分析。