SIFT特征（Scale-Invariant Feature Transform，尺度不变特征变换）是一种用于计算机视觉和图像处理的局部特征描述算法，由David Lowe在1999年首次提出。该算法通过检测图像中的关键点并提取其尺度、旋转不变的描述符，使得特征在不同视角、光照变化和遮挡情况下仍能保持稳定匹配。SIFT特征的核心优势在于其对尺度变化的鲁棒性，以及通过高斯差分金字塔和方向直方图构建的独特描述方式。
在自动驾驶领域，SIFT特征常被用于高精度地图构建、环境识别与定位等任务。例如，车辆通过摄像头捕获道路场景时，SIFT特征可帮助系统稳定识别交通标志、建筑物轮廓等关键要素，即使在天气变化或视角偏移的条件下。虽然近年来基于深度学习的方法逐渐成为主流，但SIFT因其数学可解释性和低算力需求，仍在特定嵌入式场景中发挥作用。