在特征匹配算法中，常用的距离度量方法包括以下几种：

  1. 欧氏距离（Euclidean distance）：欧氏距离是最常见的距离度量方法，它衡量两个向量之间的直线距离。对于两个n维向量a和b，欧氏距离可以通过以下公式计算：d(a,b) = √((a₁-b₁)² + (a₂-b₂)² + ... + (aₙ-bₙ)²)。

  2. 曼哈顿距离（Manhattan distance）：曼哈顿距离也被称为城市街区距离或L1距离，它衡量两个向量之间的相对距离。对于两个n维向量a和b，曼哈顿距离可以通过以下公式计算：d(a,b) = |a₁-b₁| + |a₂-b₂| + ... + |aₙ-bₙ|。

  3. 切比雪夫距离（Chebyshev distance）：切比雪夫距离衡量两个向量之间的最大差异。对于两个n维向量a和b，切比雪夫距离可以通过以下公式计算：d(a,b) = max(|a₁-b₁|, |a₂-b₂|, ... , |aₙ-bₙ|)。

  4. 闵可夫斯基距离（Minkowski distance）：闵可夫斯基距离是欧氏距离和曼哈顿距离的一般化形式。它可以定义为：d(a,b) = (∑(|aᵢ-bᵢ|˳ᵖ))^(1/˳ᵖ)，其中p是一个可调参数。

  此外，在特定的应用领域中，还存在其他特定的距离度量方法，如余弦相似度、汉明距离、编辑距离等，这些距离度量方法根据具体的场景和需求选择使用。