建立图像间基于像素级的一致性特征匹配是计算机视觉和图像处理领域的基础研究内容之一，可被广泛应用于三维重建、目标跟踪、图像检索和图像拼接等任务中。其主要技术环节包括关键点检测、特征描述、特征匹配和一致性筛选。由于关键点检测以及特征描述的准确性易受到旋转、平移、视角变化和光照变化等干扰的影响，由特征匹配得到的初始匹配集中常包含大量的错误匹配，因此为获得高精度的一致性匹配关系，一致性筛选成为了基于像素级的一致性特征匹配中不可或缺的重要步骤。
　　基于像素级的一致性筛选的主要任务是从给定的初始匹配集合中剔除错误匹配，保留正确匹配，从而获得具有可靠一致性的图像间像素级别的对应关系。但由于真实世界中图像间常包含尺度、旋转、平移、污染、视角变化、光照变化等噪声的干扰，且错误匹配在几何空间的分布具有任意性，如何在包含不同噪声干扰的初始匹配集合中筛选出可靠的一致性匹配关系仍具有很强的挑战性。文章主要提出了三种一致性筛选算法，从不同技术角度出发提高了对噪声的鲁棒性，保障了筛选结果的一致性。
　　针对现有一致性筛选算法对不同噪声的敏感性不同的问题，提出了一种一致性筛选融合算法，通过多种融合手段结合了多种已有一致性筛选算法的优势，进而提高了算法在不同噪声干扰下的鲁棒性，并搭建了完整的实验平台对具有代表性的一致性筛选算法以及所提算法进行了完善的性能评价；针对图像间可能包含的多一致性关系，提出了一种基于博弈的多一致性筛选算法，该算法不仅适用于单一致性场景下的一致性筛选，还可以用于筛选和识别图像间潜在的多种一致性对应关系；针对传统在几何空间下提取局部紧邻关系可靠性较差的问题，提出了一种基于兼容性近邻搜索的一致性筛选算法，设计了一种基于兼容性测度的近邻搜索方法，提高了以正确匹配为锚点的近邻匹配的一致性，并将该搜索方法整合到了深度学习框架中，利用学习的方法进行匹配的分类筛选工作。