图像匹配技术已经被广泛应用到遥感卫星图像处理、医学影像诊断、自动驾驶等关键领域。目前,图像匹配算法主要有基于灰度相关的匹配算法和基于特征的匹配算法。基于特征的图像匹配算法因其对图像缩放、旋转和仿射变换等具有较好的稳定性而被广泛应用;其中,尺度不变性特征变换(SIFT)算子因为特征点描述子鲁棒性高、算法可拓展性强等优势而被应用于诸多领域。利用SIFT进行多目标匹配应用时,需根据初始匹配特征点集确定待匹配目标个数,并利用聚类算法对初始匹配特征点集进行聚类,实现目标特征点对分离,分离后的每个类别中包含一个待匹配目标,根据匹配正确的特征实现目标匹配,但是利用SIFT进行匹配时,其结果中存在大量匹配错误的特征点,且根据初始匹配特征点集自适应确定待匹配目标数量较为困难;为了解决上述问题,实现多目标匹配的实践应用,本文对SIFT算法和聚类算法进行了深入研究,主要内容如下:(1)针对SIFT采用比率测试方法进行匹配时,其匹配结果受阈值影响较大,得到的匹配点集中存在大量误匹配特征点,且无法同时兼顾匹配数量和精度,提出了 SIFT特征点的匹配优化算法,该算法首先利用高阈值比率测试算法对初始匹配点集进行粗剔除,然后按照匹配的精确度进行排序,选择匹配精度最好的N对匹配特征点作为构建局部坐标系的基础点集,利用投票机制,从基础点集中筛选出匹配正确的三个特征点,在两幅图像中分别构建局部坐标系,计算向量化后的直线基元在局部坐标系中的坐标,通过坐标值的相似度剔除误匹配,实现精剔除;为了验证算法性能,基于Mikolajczyk数据集,将该算法与高阈值(0.8)比率测试+RANSAC算法进行比较,实验结果表明,当匹配图像发生刚性变换,尺度变换、视角变换和线性变换时,该算法可以同时兼顾匹配数量和精度,获得匹配度高的特征点集。(2)为实现基于特征的匹配算法在多目标匹配中的应用,提出了基于自适应K-means聚类算法的多目标匹配算法。该算法利用密度峰值聚类算法(DPC)可以自适应计算聚类个数的优势,将其与K-means聚类算法相融合,提出自适应K-means聚类算法,并利用自适应K-means聚类算法对初始匹配特征点集进行聚类,实现多个匹配目标的特征点对分离,基于分离后的特征点集,使用SIFT特征点的匹配优化算法提取匹配度高的特征点集,计算点集间的变换模型,从而实现目标的精准匹配。实验结果表明,对单个目标进行匹配时,该算法具有尺度、旋转不变性和较强的抗干扰能力;对多目标进行匹配时,该算法可根据初始匹配特征点集自适应确定待匹配目标数量,且当待匹配的多个目标处于不同的状态时,均可实现目标的精准匹配。