影像匹配是指通过特定的匹配算法在两幅或多幅影像之间识别同名点的过程。这一过程在遥感、数字摄影测量、计算机视觉、地图学及军事应用等领域有着广泛应用。

影像匹配最初是通过相关技术实现的，因此有时也被称作影像相关。影像相关的对象种类多样，包括卫星遥感影像、航空摄影影像、近景摄影影像等。无论采用何种形式的相关，其理论基础都是相同的。影像相关的核心是利用互相关函数评估两块影像的相似性，以确定同名点。具体而言，选取待定区域的影像信号后，将其在另一影像中相应区域的影像信号取出，计算二者间的相关函数，以此确定同名点的位置。

影像匹配算法可根据匹配像点的相对数量分为稀疏匹配和稠密匹配两类。稀疏匹配产生的视差矩阵较为稀疏，主要用于确定视点与影像之间的相对位置关系。稠密匹配则要求获得整个影像或其主要部分的深度图。此外，影像匹配还可根据匹配元素的不同分为灰度区域匹配和特征匹配。前者基于像素灰度进行匹配，后者则使用边缘等影像特征进行匹配。影像匹配的主要算法可分为局部算法和全局算法两大类。

局部算法主要包括块匹配算法、基于梯度的优化算法和基于特征的匹配算法。这类算法基于影像的局部信息进行匹配，无需全局优化。常用的匹配代价函数包括差平方和(SSD)、绝对差之和(SAD)和标准化互相关(NCC)等。其中，块匹配算法在局部小区域内寻找最佳匹配，通常使用规范化互相关方法。基于梯度的优化算法则通过最小化图像间平方差的和来实现匹配。这两种算法都对图像的局部不连续和一致性纹理问题敏感，因此基于特征匹配的算法得到了发展，如基于分层的特征匹配和基于图像分割的匹配算法等。

全局算法使用全局约束解决因遮挡和一致性纹理导致的局部匹配失败问题。此类算法包括动态规划算法、本征曲线算法、最大流量图算法、最小割集算法、非线性扩散算法和信心传播算法等。全局匹配的关键在于定义一个先验模型并通过最小化全局函数来解决问题。动态规划算法通过分解优化问题来降低计算复杂度，本征曲线算法则通过对图像按扫描线计算边缘或点特征的描述向量来解决二义性问题。最大流量图划分算法将视差表面作为最大流量图中的最小割边集进行求解，而非线性扩散算法则通过局部扩散处理提供聚类支持。

影像匹配算法的性能可通过匹配概率、匹配精度和匹配速度三个指标进行评价。匹配概率表示正确匹配次数占总匹配次数的比例，匹配精度则是指正确匹配的平均误差，反映了匹配的准确性。匹配速度则衡量了算法的运行速度。理想的匹配算法应具备高的匹配概率、低的匹配误差和较快的运算速度，以满足实际应用场景对实时性的需求。