局部特征检测算法是计算机视觉、模式识别、人工智能的基础，是局部特征描述算法的前提。不同视点的任意场景根据提取算法得到的局部特征结构是计算机视觉应用领域的基础。　　 本文建立了一种新的局部特征检测算法，该算法具有尺度不变局部特征检测算法和仿射不变局部特征检测算法的优点。该算法得到的特征具备尺度不变、抖动不变、光照不变、JPEG压缩不变和有限的仿射不变。算法由5部分组成。首先，构造第一个金字塔作为初始角点特征检测的采样空间，该金字塔的每层采样空间是通过标准的Harris函数执行构造。其次，构造第二个金字塔作为初始角点特征优化的采样空间，该金字塔的每层采样空间是通过高斯差分(DifferenceofGaussian，DoG)函数执行构造。再次，根据优化后的初始角点特征作为尺度不变迭代估计过程的输入，执行该迭代估计过程，得到精确的尺度不变角点特征结构。然后，根据尺度不变迭代估计过程检测得到的结果作为仿射不变迭代估计过程的输入，执行该迭代估计过程，得到精确的仿射不变角点特征结构。最后，根据检测得到的尺度不变角点特征或仿射不变角点特征追加SIFT描述算法计算得到特征向量。　　 为验证本文建立的算法具备准确性和强壮性，本文采用目前公认的局部特征检测算法评价标准，计算参考图像和目标图像之间的重复率和正配率。根据评价标准，本文采用基于SIFT的局部特征提取算法作为特征描述手段。不同于SIFT算法原理的局部特征检测算法是基于协方差矩阵的局部特征检测算法。　　 最后，本文将Harris-Laplace、Hessian-Laplace、Harris-Affine、Hessian-Affine、IBR、EBR、SURF等算法和本文算法进行了比较。根据评价结果，本文建立的尺度不变局部特征检测算法在仿射、尺度、抖动、光照和JPEG压缩标准测试数据下能够得到较好的重复率和正配率。本文建立的仿射不变局部特征检测算法在这5种变换下依然能够得到较好的重复率和正配率。