特征点匹配是计算机视觉和模式识别领域中一个基本而重要的课题,在图像配准、医学图像分析、运动目标检测与跟踪、手写体识别等领域有着广阔的应用背景。同时,特征点匹配也是计算机视觉领域中的一个难题,这是因为在图像获取以及特征点提取等图像处理过程中会产生不同程度的噪声,使得特征点之间本来精确的对应关系变得难以确定。除了噪声之外,不同点集之间往往有着非对应点以及非刚性形变,使得匹配算法变得更加困难和复杂。找到两个二维点集之间的对应关系和空间映射关系是本文匹配算法的研究目标。在多数实际应用中,由于存在噪声等不利因素,场景点集中不可避免的会出现虚假点、丢失点以及扭曲点,刚性点集匹配算法不适用,因此,本文结合概率图模型,针对非刚性特征点匹配给出了一种旋转、缩放不变,并且能够承受一定程度噪声的非刚性点集匹配算法,该算法有严密的逻辑推理,计算量小,有较好的普适性,结果可信度高。首先,本文介绍了点集匹配的基本概念以及涉及到的关键技术,比较了目前常用的点集匹配算法,对其进行了比较与分类,并指出了各类算法的优缺点;然后,引入了概率图模型的理论和方法,详细介绍了无向概率图模型(马尔可夫随机场),定义了簇以及联合概率分布的表示;接着,把马尔可夫随机场应用到点集匹配中,得到模板点集的马尔可夫随机场表示,并分析了实际应用中可以减少计算量、提高计算速度的途径,对算法进行了优化,降低了复杂度,从而得到了模板点集的非刚性全匹配算法;最后,引入匹配阈值,对全匹配算法进行了改进,最终得到了一种非刚性部分匹配算法,同时给出了部分实验结果。