机器视觉就是把人眼分辨事物的能力移植到机器上，用机器来代替人类完成检测观察和分类的任务，研究机器视觉一方面是可以通过机器处理来提高检测分类的效率和精度，另一方面可以用机器代替人类去处理很多危险的任务或者应用到人类难以用肉眼处理的情况中。模板匹配是机器视觉中一类典型的场景分析问题：给定一个物体的参考图像（模板），通过分析来确定该物体是否存在于某个场景中（场景图像），如果存在并确定它在场景中的位置。该类问题在计算机视觉、模式识别和医学图像处理等方面都有着很广泛的应用。传统的模板匹配算法的计算量比较大，导致实时性不高，而且当场景中的物体与给定的参考模板直接有一点的旋转角度时，传统的匹配算法就不能应用到实际项目中。在研究了角点检测算法，傅里叶变化算法，以及图像距算法之后，本文提出一种新的旋转模板匹配算法。该算法把图像Hu距和Zernike距相结合，作为相似度匹配信息，进行区域定位，并使用Zernike相位相关信息迭代的方法估计旋转角度。利用图像距的算法即使在图像光照不均、有噪声干扰、图像被模糊以及有小块物体遮挡等情况，依然可以得到比较好的匹配效果。算法第一步是粗匹配，通过模板块移动的方法，计算Hu距相似度，筛选出少量候选点进行下一步的精确匹配。第二步是通过图像Zernike距来确定候选点中与物体最相似的区域，确定物体图像中的精确位置，并利用Zernike距的相位信息来估计大致的旋转角度。本文还实现了两种目前应用最为广泛的傅里叶极对数坐标变换方法，圆投影-ZM两步法，通过与这两种算法比较，得出结论，文中设计的新算法具有很好的抗干扰性和抗噪能力。在被搜索图像的目标区域没有较大的遮挡物时，Hu-ZM算法得到很好的位置和角度估计结果。当模板图像较大时，本文所提出的算法计算效率比圆投影-ZM两步法高，匹配耗时低。在保证算法精度与前两种旋转模板匹配算法相同的情况下，实时性相对前两种算法有所提高。