在计算机视觉和机器人领域,特征匹配是图像拼接、宽基线匹配、点云配准图像检索等很多复杂应用的基础问题之一。随着RGB-D设备的推广,以融合RGB信息和深度信息的方法构建描述子的研究越来越多。但是,目前RGB-D融合描述子都存在一些缺点,例如过度依赖深度精度和高计算复杂度等。本文中我们主要提出了一种融合了RGB图像的纹理信息和深度图像的几何信息新型描述子,该RGB-D描述子叫做局部灰度和法向量相对序列描述子(LOIND),该描述子的主要特点包括：1、 LOIND描述子是基于相对值序列、法向量夹角和空间分割的描述子。该方法的结构是三维直方图组成的,其中相对值序列和法向量夹角的不变性使LOIND对光照鲁棒,而空间分割增加了描述子维数,使LOIND具有更好的可区分性2、提出完全基于深度信息的尺度估计方法。相比于高斯金字塔,能够快速高效的得到局部特征的尺度因子。3、提出完全基于深度信息的主方向估计方法。该方法能够在光照缺失等纹理缺乏的场景中,准确的得到局部特征的主方向。