随着科学技术的不断发展，图像作为一种新的数据信息已经被广泛应用于各个领域，在视觉SLAM系统中，图像特征匹配技术扮演着重要且核心的角色。其首要任务就是从待匹配的图像中提取稳定的特征点，并为每个特征点生成对应的描述符，然后通过点与点间的相似性度量建立特征点间的对应关系。由于不同传感器的成像原理不同，获取图像的时间、气候、角度也不尽相同，进而增加了图像匹配的难度。特征匹配方法由于仅提取部分图像的显著特征，因此，大大减少了匹配过程中的信息量，并且特征的这种显著性可以抗拒外界的一些干扰，提高了匹配的鲁棒性。SIFT和SURF是目前特征匹配算法中鲁棒性较好的两个算法，但是对于一些存在噪声或者各种图像变换的情况下，匹配算子本身的性能仍然会受到一些影响，同时，对于一些实时性要求较高的情况，尽管SURF算子是一种加速的鲁棒性特征提取算子，但是仍然无法满足这种实时性要求，因此，快速提取稳定的特征，并且形成有效的描述子是本文研究的主要目标。首先，针对SIFT算子确定主方向的方法复杂度高，并且附加了辅方向信息，增加了后续查找匹配的时间，文中提出了利用图像矩计算特征点圆形邻域的质心，进而将特征点到质心的向量方向作为该特征点的主方向，增强了鲁棒性，加快了算法的执行时间。其次，针对SURF利用欧氏距离进行相似性度量速度较慢以及其算法本身采用积分图像的特性，文中提出了一种改进的BRIEF二进制描述子，通过将BRIEF附加旋转不变性以及抗噪性，对SURF算子进行了改进，改进后的算子可以通过汉明距进行相似性度量，在保证了算法性能的同时，提高了算法的效率。最后，介绍了特征匹配算子的评价方法，介绍了用来去除误匹配的RANSAC算子，并且针对文中重点研究的几个特征匹配算子在实际拍摄的场景中进行了综合实验对比分析，实验结果证明了改进算法的有效性。