图像局部特征的相关方法一直是计算机视觉领域的研究重点。计算机视觉方面的许多任务,如图像分类、图像检索、三维重建、图像拼接等,都可以视为图像局部特征的提取和识别问题。这些任务大部分是以提取图像局部特征为基础来实现的,所提取的局部特征的优劣将直接影响任务的最终性能。然而,由于图像经常发生平移、旋转、光照、视角、以及模糊等变化,尤其是在实际应用场景中,噪声干扰、复杂背景以及目标姿态变化的不可避免,给图像局部特征的提取带来了更大的挑战。因此,图像局部特征相关方法的研究具有重要的理论意义和应用价值,值得研究者的持续关注。本文在分析已有方法的基础上,对图像局部特征中的描述和匹配问题进行了深入的研究。本文主要的研究内容和创新点包括:(1)提出了一种改进的基于深度学习的局部特征描述符首先,对现有的基于深度学习生成局部特征描述符的算法做了相关的分析,指出了其中存在的缺陷,并分别做出改进,提出了一种用余弦距离度量相似度、log形式的三元组损失函数。对本文采用的网络结构以及负样本采样策略做了详细介绍。最后,在Phototour标准数据集上对提出的算法和相关对比算法进行训练和测试,并对训练好的模型在Oxford Affine数据集上进行图像匹配实验。实验结果表明本文算法在两种数据集上均取得了较为优异的表现,证明了本文算法的有效性。(2)提出了一种基于网格统计的改进RANSAC算法图像局部特征匹配阶段,在得到初始匹配之后,往往需要对其中存在的较多错误匹配进行剔除,以达到匹配的提纯。目前普遍采用RANSAC算法进行匹配的提纯。本文在分析了RANSAC的缺点之后,基于观察发现,并从统计分布的角度,论证了其合理性,提出了一种基于网格统计的RANSAC算法。本文将图像进行网格划分,并将最近邻匹配得到的初始匹配集合通过网格统计进行内、外点的预筛选,提高了集合中内点的比例。实验表明,本文方法能够在保证运行精度的前提下,实现了对RANSAC算法效率的大幅度提升。