特征提取是目标识别、图像配准、图像检索及景象匹配等许多图像处理问题的基础。在不同成像条件下获得的图像中,同一目标可能具有不同的表现形式,为此,提取的特征需要具有“本源”特性,即特征应尽可能反映目标的本质,且不受其表现形式的影响。不受传感器参数及视点影响的仿射不变特征,虽然近年来被广泛研究,但仍是一个具有挑战性的问题。图像中的目标携带形状、纹理及灰度/颜色等多种信息,研究表明,相对于纹理与灰度/颜色信息,人类视觉更倾向于根据形状信息进行目标识别,因此,形状是目标的一个重要信息。本文从仿射变换的数学模型出发,在发掘新的仿射不变理论的基础上,从点集、轮廓、区域及相对分布四个方面研究适用于不同应用背景的形状仿射不变特征提取方法。作为整个论文的研究基础,第二章阐述了小孔成像原理,通过分析多视点图像间的关系,建立了仿射变换模型,同时利用矩阵分解,描述了仿射变换对图像的具体影响,并证明了几个重要的仿射不变特性。第三章将形状视为一组特征点集合,形状不变特征提取问题从而转化为点集的不变特征提取问题。在推导出仿射变换点集划分不变性的基础上,论文提出一种基于质心划分的点集不变特征提取方法。对点集进行迭代划分,每次划分获得的子集质心以二叉树的形式构成一棵质心树。由于具有完全仿射不变特性,可将质心树视为支持点集,并从中进一步获取不变特征。论文分别从三角形面积比值不变性与不变矩出发,利用质心树构造了两种不变特征:CT-SPS-FSD与CT-SPS-DOPM。大量实验验证了两种特征对仿射变化下特征点匹配的有效性及对噪声的鲁棒性。第四章首先推导了仿射变换下的形状投影不变特性,并以此为理论依据,分别提出了基于轮廓支持点集和基于投影分布的两种形状不变特征提取方法。这两种方法均从形状投影信息中提取指定点的特征,所不同的是,前者通过轮廓的投影采样获得指定点的支持点集,继而计算不变矩作为指定点的不变特征,而后者则通过统计形状区域内所有点的投影分布获得不变特征。仿真与实测数据实验结果表明两种特征均具有较强的形状描述能力。但两者的信息源不同使它们具有不同的适用范围。基于轮廓支持点集的特征对轮廓局部变化较敏感,因此在相似形状的分辨及变化识别等方面具有优势,而基于投影分布的特征由于利用了整个区域信息,且在匹配过程中引入松弛标记算法,其抗噪性更强,且运算复杂度低,适用于噪声干扰严重或对实时性要求高的情况。第五章从形状间的相对分布出发,提出一种新的反映两形状间姿态特征的描述子R-histogram。对于两个形状,将其视为平行于两形状质心连线的直线段集合,R-histogram则由两形状中共线直线段的长度比值构成。投影不变与共线距离不变特征共同保证了该描述子的仿射不变性。与传统的反映两形状任意角度下的相对位置的F-histograms描述子相比,R-histogram仅利用了F-histograms中用于反映两形状在某一个特定角度下的相对位置信息,但它反映的形状间的相对姿态特征属于形状的本源特征,可有效地对形状进行描述。此外,R-histogram的运算复杂度低,使算法更适用于实时处理。在形状匹配与目标识别过程中,为了降低噪声或形状提取操作引入的误差影响,充分挖掘R-histogram反映两形状相对分布特征的优势,引入投票机制,仿真与实测数据实验均有效地验证了算法的性能。最后,第六章总结了论文的主要工作,并规划了进一步的研究方向。