随着计算机技术的发展,图像局部不变特征成为图像处理领域的研究热点,是计算机视觉研究中最基本的问题之一。图像局部特征描述是诸多视觉应用如三维重建、图像拼接、物体识别的基本步骤。因此,长期以来图像局部特征描述算法受到计算机视觉学术界和工业界的广泛关注。图像局部特征算法的难点在于如何构造具有不变性、强鲁棒的特征描述符。由于图像内容及其获取方式的多样性,成像条件及场景的差异导致得到的图像在几何、光照、视角及图像质量等方面的存在差异性和复杂性,图像局部特征描述方面的研究还面临着很多问题和挑战,关键难点在于提取图像中鲁棒的,具有高辨识能力的不变性特征描述符。基于此,本文深入研究了基于灰度序模式的局部特征描述算法,并针对存在的问题提出了改进方法,具体内容包括以下几个方面:1)研究了局部灰度序模式的LIOP特征描述算法,该算法通过统计局部面片中采样点的灰度序模式进行特征构造,并在构造特征描述符时根据采样点之间的差异信息为每种模式分配权值。经分析,由采样点灰度顺序构成的模式存在冗余,且在计算权值时仅利用了采样点间的差异信息。针对以上两个问题,本文提出了改进方法,首先结合了采样点的顺序结构和差异信息来计算对应模式的权值,充分使用了局部灰度信息,然后剔除了灰度序模式中的冗余模式。2)针对全局灰度序模式的OIOP特征描述算法在构造特征描述符时,局部面片信息利用不充分且特征维度与采样点数量呈指数增长的问题,提出了一种改进算法。该算法将特征描述符划分为两个部分进行构造,并将它们级联起来形成全局灰度序特征描述符,使得在增加采样点数量的同时不增加特征维度,极大限度的提取了局部面片信息。3)将改进的LIOP与OIOP算法得到的局部灰度序和全局灰度序两种互补的特征级联起来,并利用PCA算法进行特征降维,构造了改进的混合灰度序模式MIOP特征描述符。在标准Oxford数据集上进行实验,结果表明本文提出的改进算法得到的特征描述符具有较好的鲁棒性,有效的提高了描述精度和辨识度,在评价指标上也优于其他对比算法。