在计算机视觉领域，图像特征点匹配由于其廉价、高效、有效等优点，在许多领域都有了广泛的应用，如医疗图像诊断、遥感图像拼接、机器人视觉导航、3D模型重建、物体检测与跟踪及工件检测等。而在现实生活中，我们从自然条件下获取到的图像，一般都有一些缺陷，例如光照明暗导致的图片光线不均匀问题、场景复杂导致的图片纹理杂乱问题、设备像素限制导致的图像清晰度不够、图片内容存在的柔性形变或模糊问题等，这些问题对图像的特征点匹配算法区分真假匹配产生了极大的限制，使得图像特征点匹配问题变得艰巨困难。
　　本文针对特征点匹配算法展开研究，根据相邻的像素会共享相似的运动的原理，提出了一种基于网格的打分模型，使得算法在区分真假匹配时更加敏感，极大程度地提高了算法的性能。本文的工作内容如下：
　　1)分析特征点匹配算法的原理及思想，找出不足之处，并立足于不足之处进行思考，以便后续算法加以改进。
　　2)使用统计问题代替运动的平滑性约束，能够更准确更快速地区分出真假匹配对，通过网格化匹配筛选剔除错误匹配，提高匹配的正确率。
　　3)从概率论角度量化网格内的匹配点对数达到一定个数视为匹配成功。
　　4)提出一套完整的基于特征点网格化匹配的目标检测算法。首先对图片进行灰度处理，随后进行一次粗匹配。然后使用网格化匹配模型，对图片进行精细匹配，最后使用RANSAC单应性变换求得目标在模板图片中的位置。
　　最后，本文根据设计好的算法进行了实验验证，并对比了同等功能的特征点匹配算法，从准确率、召回率、结合了精度和召回率的平衡函数三个性能方面进行了比对分析。证实了本文提出的特征点匹配算法，能够实现有效的、鲁棒的、快速的、精确的匹配。