图像匹配是数字图像处理和机器视觉领域中诸多理论和应用的基础,是当前研究的热点问题。图像匹配算法普遍存在计算量大、效率低的问题,很难满足一些实时性要求较高的场所。高性能计算的快速发展为提高图像匹配速度提供了一个重要的途径,在PC机组成的计算机集群平台上，利用基于消息传递的并行计算技术,将图像匹配算法进行并行化改造,可以有效的减少图像匹配的计算时间,提高实时性。　　首先,阐述了高性能计算中使用的各种计算机体系结构的优缺点,重点探讨了计算机集群技术的多元化发展、分类和典型的PC集群系统,详细讨论了高性能计算中使用的并行处理技术,并着重介绍MPI程序设计。　　其次,深入研究了图像匹配中普遍使用的Harris角点检测算法、归一化互相关方法和RANSAC算法。基于视差梯度理论和Buckets图像分割技术对RANSAC算法进行了改进,并通过实验验证了改进算法的有效性。　　最后,深入分析Harris角点检测算法、归一化互相关方法和改进RANSAC算法中的各个部分计算细节,确定并行计算的模型,设计了各个算法的并行策略,通过编程实现算法。对OSCAR集群的搭建过程进行了详细清楚的介绍,利用搭建好的集群环境,进行了并行图像匹配算法的实验。　　通过实验表明,在高性能PC集群平台上运行的并行图像匹配算法得到了接近线性的加速比,获得了较高的并行效率,说明了本文方法的可行性、有效性和实时性。