基于图像检索、匹配的地点识别是用于智能系统的一项关键技术,涉及到图像特征提取、特征匹配及大规模索引等问题,该技术在无人系统的智能导航、视觉定位等方面有极其重要的应用价值,是计算机视觉与人工智能领域的研究热点。论文针对基于建筑物图像的地点识别问题,从特征提取、特征匹配、图像索引三个方面,围绕图像局部特征的理论与算法展开研究。主要工作包括:针对传统手工特征在图像模糊、视角或光照变化剧烈时特征点不变性减弱的问题,论文分析几种常用的局部特征提取方法,在卷积神经网络的基础上,提出利用特征选择层提取显著性的局部特征点及其描述子,使用带标注的建筑物数据集训练模型。该方法用图像分类模型解决图像特征点提取问题,通过在公开数据集上的定量分析以及实际应用场景的对比实验,验证该特征提取方法在光照、视角等变化的情况下,具有很强的鲁棒性和可区分性。针对常用的特征匹配算法只考虑特征描述子的相似度而造成大量的误匹配现象,论文提出将局部区域一致性的概念引入到特征点匹配中,实现更为稳定的匹配算法。与传统匹配算法相比,加入图像的空间一致性信息,筛选符合局部区域一致性的匹配结果。通过大量对比实验,该方法在匹配准确率和运算速度上均优于传统特征点匹配算法。在大规模图像检索时,利用特征聚合编码技术形成的图像描述子,当图像背景复杂时会影响检索的准确性。论文提出将特征编码技术与显著性的深度描述子相结合,形成更为准确的建筑物图像向量。通过在Oxford5k和Paris6k两个公开数据集的检索对比实验,本文的检索方法可达到很高的检索精度。