快速发展的网络技术和计算机性能已经能满足对海量图像的精细化处理的需求。这在基于图像的搜索引擎、视频识别、机器人等重要的应用中都有体现。在这些应用中,图像的匹配和检索技术作为基础的工作,具有非常重要的意义。本文根据实际项目的应用需求,研究与分析了当前应用最为广泛的集中图像匹配算法,SIFT、PCA-SIFT、 SURF等等,并基于SIFT算法的实现原理分析了其在实际应用中的不足。在SIFT算法的特征提取中,通过实验对特征点的标注发现,特征点均匀分布在背景和对象区域。大量背景特征点进入匹配阶段会增加误匹配。为此,本文研究了常用显著区域检测方法,并提出了与常规方法完全不同的显著区域检测算法-基于像素方差的显著区域检测算法,使图像特征点的提取都分布在对象区域。由于SIFT算法特征描述符中缺乏图像的重要信息-色彩信息,本文提出基于扩展的rgb色彩模型,用于提取特征点邻域内的颜色信息,组成48维的颜色向量,表征特征点局部色彩信息,提高图像特征信息描述的全面性,从而提高匹配准确率。在SIFT算法的特征匹配阶段,提出用绝对距离和相对距离结合进行图像相似性的度量。本文最后通过对比实验表明各个改进方案的有效性。改进的SIFT算法在保证了原SIFT算法的准确率的同时,检索时间降低1/5,误匹配率降低10%。在大型图像检索系统中,改进的SIFT算法更具实用性。