图像局部不变特征是模式识别、图像处理、计算机视觉等领域核心研究内容之一。由于图像局部不变特征对模糊、尺度、视角、光照以及压缩等图像变换具有良好的不变性,众多学者对其进行了大量的研究并提出一系列不同特性的图像局部不变特征,并且已经被广泛地应用于立体匹配、图像配准、图像拼接、物体识别、图像检索以及目标跟踪等多个方面。近年来,随着计算机视觉技术的发展,越来越多的应用需要使用到图像局部不变特征,同时不同的应用对图像局部不变特征的需求也具有特殊性,因此基于图像局部不变特征的研究仍有诸多问题有待完善和解决。本学位论文深入分析了图像局部不变特征的相关理论基础,以提高图像局部不变特征分类与识别的性能为目的开展研究工作,研究了一些已有的图像局部不变特征提取及匹配方法,针对这些方法存在的一些问题作了相应的改进,将改进后的新方法应用到了立体匹配,图像配准,遥感图像处理,目标跟踪等领域,取得了较好的效果。本文的主要工作和创新性成果如下：(1)提出了一种增强旋转不变性的改进SURF算法。为了克服经典的加速稳健特征(Speeded Up Robust Features, SURF)算法在旋转不变性上表现不佳的情况,提出了一种新的结合SURF特征点与DAISY描述符的图像匹配算法。该方法首先使用了SURF算法中快速的Hessian矩阵模拟计算方法检测特征点,保持了特征点检测过程的快速性和准确性,然后利用原始图像的卷积方向图提出一种适合DAISY描述符的主方向分配方法,并且按照该主方向旋转获得新的DAISY描述符。实验结果表明,本文算法在略微增加运算时间的同时,增强了原始SURF算法的旋转不变性,并且能获得更多的正确匹配点。在牛津大学经典的匹配数据库上的实验表明本文算法在面对图像模糊、光照变化、JPEG压缩比变化、视场角旋转和平移的时候,具有较好的匹配结果。(2)提出了一种扩展SURF描述符并将其有效地应用于遥感图像配准算法。针对传统局部不变特征描述符在遥感数据上存在着运算时间过长以及匹配正确率不高的情况,在原始SURF描述符的基础上,通过引入特征点相应尺度上的局部归一化灰度统计信息以及图像二阶微分细节信息,提出一种新的扩展SURF描述符,增强了描述符的约束性与独特性。该算法不但能传承SURF算法速度快的优良性能,还能充分利用图像的灰度信息和细节信息。通过实验表明,综合考虑算法运行效率与匹配正确率,本文算法较原有经典算法表现更优。(3)提出了一种针对重复模式图像的成对特征点匹配算法。在进行立体匹配以及遥感图像配准时,待匹配图像常常会含有大量的重复模式结构。基于局部特征的匹配算法在此类图像的匹配过程中极易产生误匹配；对于引入全局特征描述符的匹配算法,其全局特征由于依赖于计算局部信息所得到的特征点主方向,同样不能获得令人满意的匹配效果。针对这一问题,本文提出了一种基于成对特征点的图像匹配算法。该方法利用成对特征点的方向向量作为特征点对的主方向,为特征描述提供了正确的方向信息,同时引入DAISY描述符与改进后的全局上下文(Global Context)特征描述符,提高了匹配能力。经过模拟数据与实际数据的对比实验表明,本文算法能够有效地解决含有重复模式的图像匹配问题。(4)提出了一种基于特征匹配的Mean Shift目标跟踪算法。针对基于Mean Shift的目标跟踪算法在处理复杂的目标跟踪场景时存在一定的局限性,提出了一种基于图像局部不变特征匹配的新的目标跟踪算法。针对目标模板使用FAST检测子与DAISY描述符提取不变特征点,通过K-means算法将特征点描述符进行聚类形成模板直方图；对目标候选区域使用相同的方法获得特征点,并根据上一步骤的聚类中心计算出候选直方图；对目标模板与目标候选区域的描述符进行特征匹配,得到匹配后的对应点；将目标模板、候选直方图以及匹配对应点引入Mean Shift迭代框架中,计算出目标在当前帧的准确位置,以实现目标跟踪的目的。实验结果表明,该算法优于部分经典的方法,并且该算法可以应对以下挑战性的跟踪情况：部分遮挡,光照变化,尺寸变化,物体旋转,快速移动,复杂的背景干扰等。