الگوریتم‌های تطبیق ویژگی زیربنای کلیدی بسیاری از کاربردهای بینایی ماشین به شمار می‌روند. با توجه به تنوع زیاد زمینه‌های کاربردی این الگوریتم‌ها و دامنه وسیع تغییرات بصری تصاویر، ارزیابی عملکرد الگوریتم‌ها یک جنبه نسبی داشته و انتخاب الگوریتم مناسب به تعادل بین دقت، سرعت، مقاومت و منابع محاسباتی بستگی دارد. در این تحقیق تلاش خواهد شد که ساختار الگوریتم‌های تطبیق کلاسیک و مبتنی بر یادگیری تحلیل شده و برخی از چالش‌های این الگوریتم‌ها بررسی شود. همچنین تلفیقی از این الگوریتم‌های SIFT و ORB در راستای بهینه‌سازی زمان پردازش در عین حفظ دقت تطبیق ارائه گردیده و SCO نامگذاری می‌شود. به منظور تحلیل عملکرد الگوریتم‌های تطبیق، در یک سخت‌افزار دارای قابلیت پردازشی لازم به صورت بهینه شبیه‌سازی شده و عملکرد الگوریتم‌ها در رابطه با تصاویر چالش برانگیز مجموعه داده اکسفورد و با معیارهای استاندارد ارزیابی می‌گردد. نتایج ارزیابی نشان می‌دهد که زمان اجرای روشSCO به طور متوسط حدود 0.28 زمان اجرای SIFT و 2.67 برابر زمان اجرای ORBاست در حالیکه تعداد تطبیق‌های درستSCO به طور متوسط حدود 0.73 تطبیق‌های صحیح SIFT و حدود 3.3 برابر تطبیق‌های ORB می‌باشد.