局部不变特征提取一直以来都是计算机视觉领域的研究热点之一,已被成功应用到图像配准、目标识别、纹理识别、场景识别等领域。实际应用中的不同需求以及不同类型图像对局部不变特征提出了低算法复杂度、低存储内存描述、高重复率以及强显著性的要求。本文以满足上述需求为目标,基于局部不变特征提取的步骤框架,对特征检测、基于非线性扩散滤波创建非线性尺度空间以及特征描述等理论及关键技术进行了系统深入研究。在局部特征检测部分,详细的研究及总结特征检测算法的基本原理,分析对比了算法的性能。针对Harris角点门限判决方法存在的“漏检”情况,提出了一种基于对比的门限改进方法,提高了算法的重复率。该门限改进方法具有较好的可扩展性,可以将其用于其它基于二阶行列式值及行列式迹的特征检测的门限判决方法中。在尺度空间创建部分,将加性算子分裂方法引入基于非线性扩散滤波的非线性尺度空间的高效创建中,非线性尺度空间相比于线性尺度空间性能更加优越,提取特征的显著性更强。深入研究了基于有向梯度直方图结构描述的特征提取方法,用特征描述的方法进行特征提取,该算法略去了特征描述子构建的过程,降低了算法复杂度的同时提高了重复率及显著性。并将该方法与非线性尺度空间相结合,构建了一种在各向异性多尺度空间中基于有向梯度直方图结构描述的局部特征检测方法,该算法无论是在效率还是在其它性能上均优于SIFT,SURF等经典算法。在局部特征描述部分,详细分析并归纳了SIFT,PCA-SIFT,GLOH,DAISY以及基于机器学习的描述子构建原理及方法。并针对DAISY描述子提出了一种改进方法,将主成分分析应用于DAISY描述子的降维过程中,然后将特征向量进行归一化处理,从而实现了低存储下的高效描述子构建。