为了提高红外图像匹配的精度和效率,提出了一种将Harris-Laplace关键点提取和旋转不变LBP特征描述算子相结合的局部特征检测新算法,该算法不仅在图像的尺度、光照和角度发生变化时,仍然能够得到很好的检测效果,而且能很好地描述图像的局部纹理特征。特征向量描述完成后,为了进一步提高红外图像特征点匹配的正确率,提出了一种基于K-means聚类分析的图像匹配策略。先利用Cosine余弦相关匹配策略实现特征点的初步粗匹配,接着采用K-means聚类分析匹配策略剔除图像中大部分的错误匹配。实验表明:提出的算法表现出良好的鲁棒性,关键点提取的重复率(Repeatability)提高了9.2%。与传统的匹配算法相比,采用基于K-means聚类分析的匹配策略匹配精度可以提高5.05%,匹配时间可以缩短0.068s。该特征描述算法和基于K-means聚类分析的匹配算法满足了红外图像配准的高精度性和高实时性的要求。