模板匹配是一种最基本、最原始的模式识别的方法。通过对比某一特定物体的图案位于图像的什么地方，进而识别出物体。它是图像处理中最基本、最常用的匹配方法。它的局限性主要是它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。
模板匹配流程
1. 准备两幅图，一副为模板图，另一幅图是要进行模板匹配的图像（原图）。
下图的例子中，左图表示模板图，右图是原图。
2. 模板匹配：在原图中滑动模板窗口并计算每个窗口的匹配度。
模板图窗口每次移动一个像素（从上到下，从左到右），每一个窗口位置上都计算出一个匹配度（相似度）。
每一个计算出来的相似度，记录到一个矩阵R中。如果模板图的大小为[w,h]，原图大小为[W,H]，则R的大小为[W – w + 1, H – h + 1]。
3. 找出最大匹配结果：得到R后，在R中找到最大值所在位置，此位置为顶点，对应的模板图大小的区域就是最佳匹配区域。
OpenCV中匹配算法
| 匹配算法 | 说明 |
| 平方差匹配 |
|
| 归一化平方差 |
|
| 相关匹配 |
注意：如果图片有全白区域，使用这种方法效果较差。因为这种算法使用的是简单地相乘，亮度值较大的区域结果会更大。 |
| 归一化相关匹配法 |
|
| 相关系数匹配 |
|
| 归一化相关系数匹配 |
|
在具体使用过程中，R矩阵里找的是最大值还是最小值，要根据所选用的算法而定。模板匹配作为最基础最原始的模式识别方法，其缺点也很明显：属于暴力搜索，无法应对尺度变化（大小变化），旋转变化，视角变化和光照变化。
在实际应用中，模板匹配在用于一些视角、尺度、光照等基本不会发生变化的场景中比较合适。当这些条件经常发生变化时，模板匹配就无法适用了，此时一般会使用关键点匹配算法，比如SIFT、SURF等算法，此类算法先使用关键点检测算法检测出模板图片和原图的关键点，然后使用关键点匹配算法来进行处理。关键点匹配算法能较好地应对尺度变化、视角变化、旋转变化和光照变化一类的场景。