随着网络时代的快速发展,具有生动直观、可理解性强和内容丰富等优点的数字图像成为这个时代信息传输的重要媒介。但正由于这些优点,网络中拥有越来越多的图像数据,也会出现越来越多视觉内容上相似的图像,因此造成大量信息冗余。图像物体目标匹配技术致力于自动识别两图或多图中有意义的前景知识,可以指数级缩减冗余的信息,因此基于图像的多目标匹配技术是近些年来计算机视觉、模式识别领域的热门研究课题之一。由于相关联的两图或多图之间相似的视觉内容的多变以及空间布局的错综复杂,这使得多目标匹配成为一项具有挑战性的任务。至今相继出现很多目标匹配方法,大致可分为两大类：自下而上和自上而下的方法。自下而上的方法主要研究待匹配目标的局部空间而忽略了全局信息,而自上而下的方法虽然从全局信息出发,但难在通过学习得到健壮的模型参数和利用后验概率推断结果。结合对它们的分析,本文算法不仅考虑全局和局部空间信息,而且不需要复杂的模型参数学习以及推断过程。本文从新颖的角度提出了基于非线性均值漂移算法的多目标匹配算法。具体地说,算法首先提取相关联两图或多图中的局部特征区域,并筛选初始匹配对集；其次估算各匹配对的两个局部特征区域之间的几何变换,并堆积在一起构建相似几何变换空间。由于图像对之间的同一个目标的几何相似性与各个待匹配目标之间的差异性,这使得待匹配目标包含的多个特征区域匹配对之间的几何变换相似,自然地在相似几何变换空间中形成密度较大的簇且各个簇之间相互独立,因此匹配图像中多个目标等价于找到这些密度分布较大的簇,从而采用均值漂移算法定位这些独立分布的簇并呈现出多个图像目标。由于所构建的相似几何变换空间的非欧式特征,原始的均值漂移算法并不适用。通过对所构建的空间性质以及对现有的非线性均值漂移算法的分析,本文提出了更适用于此空间的数据点之间距离度量方式和“漂移”过程中均值漂移向量的计算方法,这些有效的保证了漂移过程的收敛性与聚类结果的优劣性。本文最后通过图像的特征区域匹配、在单图或多图中匹配多个目标以及近似拷贝图像检测等实验,多层次、多角度的验证了本文算法的优越性能。