随着计算机技术的快速发展,目标识别技术得到了广泛的应用。近年来,在众多的目标识别方法中特征匹配方法越来越受关注。本文利用SIFT特征匹配算法对背景较为复杂的目标进行识别研究。本文是对可见光图像中出现的目标进行识别研究,其处理过程主要包括三部分:图像预处理、特征点检测和特征向量匹配。在图像预处理阶段,本文根据图像特点采用了一种基于相关系数的自适应均衡化图像增强算法,该算法可在增强图像中有用信息的同时更好地保留原图像中的颜色信息及亮度信息。在特征提取阶段,针对传统SIFT算法提取的特征点较多,造成识别过程的时间延长,误匹配率增高,本文提出了一种改进的SIFT(Scale Invariant Feature Transform,尺度不变特征变换)特征点提取方法,首先利用频率显著区域检测方法间接得到特征点代替用DOG算子检测极值点,从而在大幅减少特征点的提取数量的同时,使检测出的极值点获得与人眼观察的效果相同,进而可以保证提取出目标特征点具有代表性。在此基础上,对检测出的显著区域进行进行椭圆拟合,使特征描述符具有仿射不变性。最后,利用高斯加权计算的方式进行梯度累加,以减小远像素点对特征点的影响。实验结果表明,本文所提算法较传统算法,所提特征点数量明显减少,且其中含有的目标物体特征比例显著提高。在特征向量匹配阶段,为了确保两个向量在方向及距离上都具有相似性,本文提出了最大熵与夹角余弦相结合的相似性度量的Kd-树搜索算法。在完成距离相似性测度后,利用夹角余弦进一步确定两向量之间在方向上的相似性,来提高匹配的正确率。为了验证所提算法,本文以自然场景中的目标为应用背景,进行识别仿真分析。最后仿真结果表明,本文所提算法具有较高的识别率且运行速度较快,具有实时处理图片的能力。