作为计算机视觉的基础,图像匹配技术给出两幅图像的相关性衡量,它在三维重构、图像分类、模式识别、机器人定位、图像检索等领域得到了良好的应用,而相比于基于全局信息的图像匹配技术,基于局部特征集合(如SIFT特征集合)的图像匹配技术性能更好,应用更广泛。本文在深入研究当前一些局部特征提取算法理论的基础上,提出维度分割金字塔匹配算法(也称维度分割金字塔匹配核算法),其快速准确的给出了基于局部特征集合的两幅图像匹配程度衡量,因而能够应用于上述各个领域。本文主要工作包括：(1).研究比较了当前各先进特征提取算法的特点。仿射不变的特征因不受成像时的角度、尺度等的影响,所以与其它方式的特征相比,在稳健性、重复率、区分度、适用范围方面具有很大的优势。本文比较了当前主流的图像局部仿射不变特征提取算法(包括图像仿射不变区域的检测算法,以及基于仿射不变区域的特征提取算法)的优缺点及适用的不同场景类型、不同成像条件,给出不同算法间的比较基准以及基于各算法的匹配性能试验结果。(2).针对当前基于局部特征集合的图像匹配技术的不足,本文在Grauman等提出的金字塔匹配核算法(Pyramid Matching Kernel, PMK)基础上,提出维度分割金字塔匹配核算法(Dimension Partition-PMK, DP-PMK),并用来估算两个局部特征集合所分别表示的图像之间的相似度。其核心思想是不断分割高维空间,产生一系列低维子空间,在各子空间内把局部特征集映射到多分辨率直方图中,加权求和两个匹配特征集在各分辨率下的最优匹配数,并将求和值作为该子空间内相似度衡量,最后统计每一特征子空间中的相似性标量值,作为两个匹配局部特征集合的相似度。不同于目前大部分局部特征集匹配算法的二次甚至三次时间计算复杂度,DP-PMK只有对特征集合数目的线性时间复杂度,对特征集合数目、维数等没有限制,且支持部分匹配,同时消除了原金字塔匹配核算法的高维性能下降问题。(3).通过模型优化,将本文提出的DP-PMK算法应用于图像分类领域,给出了基于本文提出算法的支持向量机多分类实验结果。由两两特征集合间的匹配值K组成的核矩阵K,其对角元素表示的是特征集合与自身的相似度。通过引入具有对角元素远大于非对角元素性质的基核,使得K成为半正定阵,从而适合作为SVM等的核函数,用来求解分类问题。在两个数据集(Caltech-101、ETH-80)上的多分类实验表明,相对于其它相应改进算法需要增加几十倍原PMK的计算时间,DP-PMK只增加4-6倍左右的计算时间就能够达到与其它改进算法一样的分类准确率。