图像特征表示是计算机视觉领域的基本研究问题,在众多应用研究中发挥着基础性的作用。其中最为经典、应用最广泛的特征描述子为1999年David Lowe提出的SIFT(Scale Invariant Feature Transform),它以鲁棒的尺度、旋转不变性著称,在图像检索、拼接、三维重建等领域得到广泛应用。然而随着应用场景的复杂化以及大数据多媒体时代的来临,传统的SIFT特征提取算法存在如下问题:SIFT特征点数量多,维度高,所需存储空间大,在应用中计算效率低下。近年来,SIFT特征的改进方法层出不穷,主要分为三类:一、降维,如现在发展比较成熟的特征SURF(Speeded Up Robust Features)、PCA-SIFT(Principal Components Analysis-based representation for SIFT)等,已经在一些应用中达到较好的效果。二、降低数量,该类方法目前已经涌现出一些工作,但整体上发展还不成熟,同时在方法拓展性方面往往有较大的局限性。三、改进最近邻查找算法,如树形结构、LSH(Locality-Sensitive Hashing)等。本论文研究的问题归属于第二类方法。我们首先回顾了SIFT特征选择的研究背景,充分调研现有的方法,并分析其优缺点,然后提出一种基于字典学习的SIFT特征点选择方法,并应用在图像检索等领域验证其有效性。本论文主要的研究内容为通过分析SIFT描述子之间的关联性,去除冗余特征点,选择出表达能力更强的小部分特征集合。在研究中我们发现SIFT特征点选择与基于稀疏表示的字典学习方法存在很强的内在相关性,并将特征点选择问题转化为基于稀疏表示的字典学习问题。根据特征点选择问题的特殊性,设计字典学习方法,采用模拟退火算法求解最优字典。同时在字典学习过程中融入特征的稀疏性,以及SIFT特征点的空间分布特性,最终选择出具有良好空间分布的少量代表性SIFT特征集合。经实验验证,本文选择出的小部分SIFT特征在图像检索中能节省存储空间、提高时间效率,同时确保准确性。同时,该方法无监督,不依赖于数据集,具有较强的可拓展性。