目标匹配是计算机视觉领域的一个基本问题,其主要任务是对待检测图像中的目标实现匹配和定位。目标匹配技术被广泛的应用在航空航天、国防建设、医药卫生等很多领域中。在实际的目标匹配场景中,由于摄像机视角、摄像机成像素质、光照条件、目标形变、目标遮挡等条件变化的影响,给目标匹配定位算法带来了极大挑战;同时很多场景中无法获取丰富的目标数据,这就给目标匹配算法提出了需要从少量目标数据中提取足够有效信息的需求。针对这些情况,本文对基于小样本学习的目标匹配算法进行了深入的研究,并做了以下工作:阐述了目标匹配算法的主要定义,概括介绍了目标匹配算法的主要流程,对目前主流的目标匹配算法的原理和优缺点进行分析。对目前小样本的学习的几个主流方法进行介绍,分析了这些算法的使用场景。结合现有目标匹配算法和基于小样本学习的方法,本文从不同角度出发提出两种新的基于小样本学习的目标匹配算法,并通过实验对提出的算法的有效性进行验证。结合孪生网络和特征模板匹配构建了一种新的目标匹配算法。孪生网络是一种在已有数据上完成训练,不需要重新训练即可在新的数据上准确地分辨目标之间相似性的模型,可以对小样本数据进行很好地分类。针对基于特征模板的目标匹配算法在小样本场景容易误匹配的情况,引入孪生网络对待匹配区域图像和目标的进行相似度衡量,提出一种多参考图张量对区域特征张量卷积并求解最大值和的方法,选取最为相似的区域,取得较为精确的目标匹配定位结果。然后在相关数据集上进行实验验证算法的有效性。利用迁移学习方法将目标检测模型应用到目标匹配定位任务上。迁移学习是利用相关领域大数据训练的模型参数来帮助本领域的模型训练,从而使模型可以从小样本中学习到有效信息的方法。算法利用YOLOv2算法模型参数,对网络结构和损失函数进行修改,将目标检测模型通过迁移学习的方法改为一种新的目标匹配定位模型。在训练时通过使用空间变换网络进行快速数据增广增强算法对简单空间变换的鲁棒性。针对原始算法对小目标匹配定位不准确的缺点,提出一种局部放大策略,优化预测结果。通过在相关数据集上实验测试算法性能,验证算法在各个场景的有效性。