计算机视觉和图像处理是目前国内外研究热点,其中图像特征提取与匹配是图像分析与图像识别的前提。图像特征提取,是将高维的图像数据进行简化,提取出图像的关键信息(特征点),从而进行图像特征的表达,是图像匹配的前提和基础。随着图像处理技术不断发展,图像特征提取与匹配技术作为至关重要的预处理步骤已成为模式识别,人工智能,数据挖掘等研究领域的重要基础。KAZE算法是近年来出现的一种图像特征检测算法,该算法采用非线性扩散滤波构建尺度空间,与传统的线性高斯尺度空间相比,有效降低图像边缘模糊和细节丢失,在具备尺度不变性的同时保留更高的局部精度和可区分性。本文针对图像特征提取这一过程,在KAZE算法的基础上利用主成分分析法(Principal Component Analysis,PCA)对描述子进行去噪,剔除冗余匹配,在此基础上通过比较实验选取最优的主成分占比,得到优化后的描述子。仿真实验表明,优化后的有效描述子在数量和信息量上都优于KAZE算法。在此基础上,本文采用快速近似最近邻算法(Fast Library for Approximate Nearest Neighbors,FLANN)对优化后的描述子进行特征匹配,并且通过随机样本抽样一致方法(Random Sample Consensus,RANSAC)对匹配结果进行进一步筛选,剔除错误匹配。仿真实验表明,基于KAZE的图像特征提取及匹配方法在保证KAZE算法的鲁棒性和精确性的同时,提高了有效描述子匹配数和信息量,增强了实际匹配效果,并且本方法在匹配率方面优于KAZE算法等传统方法。