物体识别是计算机视觉领域中的一项基础研究。有效的物体识别算法在智能视频监控、图像分析、目标识别、图像检索等应用领域都有很重要的作用。到目前为止，人们在物体识别技术方面已经取得很多可喜的成就，但是仍有很多难点需要解决。Context是近年来提出的一种描述能力比较强的形状描述子。本文对ShapeContext（形状上下文）算法进行了研究，描述了Shape Context算法的基本思想和实现方法以及在物体识别中的识别和匹配方法；针对Shape Context对输入图像的要求，讨论了一些基本的图像预处理方法以及采用Canny算法的物体边缘增强和提取方法。文中设计了一套以Shape Context为核心的针对物体识别的图像处理和识别的流程，采用这种流程，用VC++开发和实现了一个实验和验证的软件。在算法的实现和软件的测试中，我们发现Shape Context算法中的不足：（1）首先需要计算质心来确定提取特征点的个数，这个过程计算量大比较耗时；（2）提取出的轮廓特征点并不总是能很好地表示物体的形状。本文主要针对这两方面提出改进的方法。主要处理过程是：对待识别物体图像先进行二值化，并使用Canny边缘检测算法获得边缘，然后用轮廓跟踪法得到外轮廓。根据得到物体外轮廓点的个数设置提取特征点时的距离，使提取到的特征点可以更好的表示出物体轮廓，并将特征点信息保存在文档里，计算两物体形状特征点之间的距离时直接调用，不但比较节省时间，而且可以很好的表征两物体形状的相似程度。另外，本文使用TPS（薄板样条）变换模型模拟了待测物体到数据库中物体的形变，计算得到了最小弯曲能量，它和两物体形状上下文距离组成了形状匹配距离成本，它能很好的表征两个物体形状之间的差别。经过实验验证，本论文Shape Context算法识别物体形状很快，并且效果较好。