异源视觉图像匹配技术应用广泛，但由于异源图像之间差异较大，目前还存在一些技术问题尚未解决。本文模拟人类对图像的认知过程，对基于粗大轮廓的异源图像匹配技术进行了研究。首先，针对目前异源图像匹配研究中存在的问题，根据异源图像成像特点，结合粗大轮廓能反映异源图像中的共性特征这一特点，采用先图像分割再提取轮廓的思想提取粗大轮廓。构建基于灰度均值、灰度方差和熵的特征空间，以表征图像中不同材质对象的特征；再将经蚁群算法优化的初始聚类数目和聚类中心，作为能描述对象不确定性的模糊c-均值聚类的初始条件，对图像特征空间进行模糊聚类；然后利用Canny算子进行边缘检测，获得图像的粗大轮廓。实验表明，本文图像分割方法能适用于异源图像，误分割率平均值也降低了1.7%~6.6%，明显低于传统分割方法；所得粗大轮廓较为完整，错误边缘较少。然后，为了剔除粗大轮廓提取结果中的错误边缘，对边缘检测结果进行轮廓跟踪；再利用c-尺度分割子集获得轮廓点曲率信息；然后抑制非极大值，取曲率局部极大值点作为特征点实现轮廓化简。实验表明，与道格拉斯-普克方法相比，轮廓化简结果保留的轮廓信息更为完整，有利于后续匹配工作。最后，针对现有匹配算法中少有适用于图像被遮挡情况下的局部轮廓匹配方法，本文研究了基于子矩阵局部轮廓匹配方法。先计算待匹配轮廓特征点的距离矩阵和切向量夹角矩阵，取k阶子矩阵判断待匹配轮廓间是否存在匹配的部分，再利用RST特征不变量进行精匹配，获得最终的匹配曲线段和点对。实验表明，本文算法适用于图像存在平移、旋转、缩放等几何变化关系，甚至图像部分被遮挡情况下，图像之间的整体形状匹配和局部匹配；与基于全局轮廓信息的对比方法相比，本文算法的匹配正确率至少提高了40%。