特征匹配是计算机视觉中的一个基本问题,可以说,只要涉及到两幅或者多幅图像时,都会涉及到对应特征的匹配问题。近年来,基于图谱的匹配方法由于其灵活性大、计算复杂性低、鲁棒性强等特点,成为了新的研究热点。2005年Leordeanu提出了一种基于谱图理论的对应特征匹配算法,并受到了国内外学者的广泛关注。本文以该方法为背景,详细研究了这类方法的不足和局限性,并提出了相应的改进方案。全文主要研究内容和研究成果如下：1.对Leordeanu的基于谱图理论的对应特征匹配算法进行了理论分析和实验测试,发现该方法存在两个方面的局限性。(1)这类算法仅考虑亲和矩阵最大特征值对应的特征向量,其隐含的假设是,图像中正确匹配的特征是一个强的聚类。但是,若场景中本身存在多个聚类的情况,这类方法只保留最大的聚类,造成其他聚类的丢失。(2)如果初始匹配中错误率比较高时,该方法的性能会大大下降,可靠性随之降低。2.针对以上第一个方面的不足,本文给出了两种改进方案。(1)对亲和矩阵,不仅仅考虑最大特征值对应的特征向量,而是同时考虑了前几个权重比较大的特征值对应的特征向量,重新构造能反映特征之间匹配关系的向量,利用新构造的向量分析特征匹配关系。(2)多次循环使用Leordeanu方法,依次确定最大的聚类,次大的聚类,直到所有的聚类都分析完毕。实验结果表明,对多聚类的情况,本文的两种改进方法都优于原文的方法。另外,本文方法还应用于多聚类的图像检索问题中,取得了较好的效果。3.针对以上第二个方面的不足,本文给出了一种基于概率推理的特征匹配方法。首先确定少量比较可靠的匹配特征,然后通过分析其他特征与已经匹配特征之间的依赖关系,采用贝叶斯概率推理模型来逐步增加匹配特征的数量。采用这种匹配方法,大大降低了初始匹配的错误率,然后再应用谱匹配方法实现最终的匹配。实验结果表明了该方法的有效性。