高质量的特征匹配选择是在给定的初始特征匹配集合中寻找正确的特征匹配,是计算机视觉中一项基础且重要的任务。其是许多高层次计算机视觉任务的基础,如图像配准、三维重建、闭环检测、图像拼接、三维目标识别等。因此,高质量的特征匹配选择结果的好坏会对后续的计算机视觉任务产生直接的影响。同时,由于高质量的特征匹配选择问题在本质上是一个十分复杂的组合优化问题,特别是在待处理的数据量较大且外点率较高时,其计算复杂度会陡然上升,同时网络性能也会大打折扣。因此,对于鲁棒的高质量的特征匹配选择方法的研究具有重要的现实意义。为了能够在高外点率海量真实的数据集上更好的进行高质量特征匹配的选择。本文基于深度学习的方法,针对现有网络的不足,提出了三种不同的网络进行高质量的特征匹配选择。具有高比例外点的公共数据集上的误匹配剔除和相机姿态估计的实验结果证明了本文所提出的网络较目前流行的算法具有明显优势。本文主要内容如下:1、针对现有的网络缺少局部几何信息的问题,提出了一种基于邻域相关性的高质量特征匹配选择方法,记为LNC-Net。在该网络中,首先用KNN算法依据欧式距离对每个初始特征匹配进行局部邻域的选择。然后,对所选择的局部邻域进行特征映射并基于注意力机制构建相关性矩阵。最后,根据相关性矩阵（其表示该邻域内每个邻居和所选择的特征匹配的相关性大小）聚集得到新的特征映射。2、针对上一章提出的LNC-Net模型存在全局约束不足的问题,在其基础上加入全局约束,使网络具有更强的特征表达能力,将该网络命名为基于局部和全局注意力机制的高质量特征匹配选择方法,记为LAGA-Net。受注意力机制的启发,在该网络中,提出了一个局部-全局注意力块（LAGA）,其从粗到精捕获潜在内点的全局和局部上下文信息,并在处理初始特征匹配集合的过程中同时降低潜在外点的不利影响。全局注意力层能够在所有的特征匹配之间捕获丰富的全局上下文信息;局部注意力层可以在局部区域中捕捉丰富的局部上下文信息。最后,将全局和局部上下文信息结合起来,从而可以获得更加丰富的上下文信息和具有更强的表达能力的特征映射。3、针对目前流行的网络没有考虑到成对图片之间的稀疏语义信息以及没有很好的捕捉稀疏对应之间的局部拓扑结构的问题。受到现实生活中人类用肉眼进行图像匹配过程的启发,本文根据稀疏语义相似性设计了一个基于多尺度稀疏语义动态图的网络来寻找高质量的特征匹配,简称MS~2DG-Net。MS~2DG-Net基于两幅给定图像的特征匹配之间的稀疏语义相似性构建稀疏语义动态图,并在保持排列等变的情况下,捕获特征匹配之间的局部拓扑结构。因此,MS~2DG-Net可以在保持排列等变性的同时,根据稀疏语义信息和局部拓扑结构来寻找正确的特征匹配,从而提高网络的性能。