机器视觉是提升智能化水平的关键技术,图像匹配算法作为机器视觉中最核心、最基础的算法之一,可用于实现目标定位,通常被作为先行步骤广泛应用于目标检测、目标跟踪、人脸识别、三维重建、SLAM等领域。基于局部描述子的图像匹配算法可通过局部描述子实现各种不变性,具有良好的性能。然而,现有的局部描述子算法仍无法满足图像匹配算法在速度、精度和鲁棒性方面的需求。为了进一步提高图像匹配算法的性能,满足实际应用场景的目标定位需求,本文提出了三种局部描述子算法。具体研究内容如下:（1）面向工业智能装备中目标快速定位的需求,本文提出了一种基于相似度不变的多比特二值描述子算法（Similarity Invariant Based Multi-Bit Binary Descriptor,SIMBBD）。该算法在投影和量化两个方面进行了改进,首先提出了一种无监督投影矩阵学习方法,可使二值描述子的相似度关系与量化前实值特征的相似度关系尽量一致,同时提出了一种多比特量化编码规则,可将单个实值编码为多比特的二值码,减少二值描述子的量化误差。该多比特二值描述子的平均提取时间为0.1ms,在描述子性能实验中超过了ORB、D-BRIEF等6种二值描述子算法达到了最低错误率43.43%。（2）面向工业分拣机器人对旋转目标的鲁棒定位需求,本文提出了一种基于旋转不变直方图的实值描述子算法（Real-Valued Rotation Invariant Histogram Descriptor,RIHD）。该算法提出了一种梯度直方图特征,该直方图以梯度向量与位置向量的夹角为横轴变量,以梯度幅值累加值为纵轴变量。由于该直方图的横纵轴变量均具有旋转不变性,因此RIHD算法可在不依赖主方向计算的情况下实现旋转不变性,避免了主方向计算过程带来的额外计算量,以及主方向计算错误带来的误匹配。该算法在描述子性能实验中较好地抵抗了旋转干扰,其错误率低于主流的实值描述子算法SIFT和SURF,为18.4%。（3）面向服务移动机器人在复杂自然场景下对目标鲁棒定位的需求,本文提出了一种基于内容干扰分离网络的深度学习描述子算法（Deep Descriptor Based on Content Interference Separation Network,CISN）。该算法提出了一种内容干扰分离网络,通过该网络将输入图像的内容信息和干扰信息进行分离,并对内容信息进行编码生成描述子,提高了描述子对干扰的鲁棒性。在描述子性能实验中,相比于Hard Net、SOSNet等10种深度学习描述子算法,该算法的平均错误率最低,为1.10%。为了测试上述三种描述子算法在图像匹配定位任务中的性能,本文在其适用的应用场景下进行了目标定位应用实验。SI-MBBD算法在AOI装备的显示屏定位应用中实现了0.992的定位精度,描述子的平均提取时间为0.1ms;RIHD算法在存在不同程度旋转干扰的应用数据集中达到了0.982的定位精度,可较好地适应自然场景下旋转目标的定位任务;CISN算法在复杂自然场景的应用数据集中达到了0.981的定位精度,该数据集包含光照变化、视角变换、运动模糊、复杂背景等干扰。上述三种描述子算法在各自适用场景下的匹配定位应用实验中均取得了较好的效果。