图像配准的主要目标是针对同一目标场景在不同视角、传感器、光照等影响下对应的两幅或多幅图像进行映射、对齐、拼接。图像配准在地理、农业、军事、遥感、生物学中都有着广泛的应用。图像配准作为计算机视觉和图像处理领域的基本问题受到了广泛的关注。已有许多经典的算法被相继提出用来解决这一问题。例如SIFT、FAST等算法。这些算法的共同特点是需要人为设计特征提取的方法,手工筛选特征。这些方法在光学图像和SAR图像匹配、配准任务中取得了长足进步。而随着深度学习技术的普及,手工设计特征的步骤逐步被深度神经网络所取代。许多基于深度学习的方法被提出并应用于配准领域。所以本文重点集中于研究深度学习在图像匹配、配准领域的应用。本文研究了基于深度学习的图像配准任务中的关键技术,围绕图像块匹配、光学图像匹配、配准和光学与SAR图像配准任务进行了深入分析和研究。本文主要工作如下:1.提出一种基于指数损失的图像块匹配方法。该方法从损失函数的角度考虑对不同困难样本的加权,从而使网络对于困难样本有更高的关注度,而对于简单样本施加更小的权重,加速网络优化。实验表明该方法在度量学习和描述子学习任务中都取得了较好的结果。2.提出了一种基于多尺度高分辨的双阶段图像匹配网络来实现光学图像的匹配。为充分运用不同深层网络的特征,提出一种基于注意力机制的特征学习网络,进一步通过加权融合提高了可重复特征点数目。3.提出了一种简洁高效的特征提取网络CRNet,通过在多组数据集进行实验,验证了单层的特征提取网络也有着较好的匹配结果。进一步分析了双阶段匹配网络的性能同时受限于图像块尺度、角度以及描述子的学习。4.通过改进单阶段检测网络D2Net,提出一种多尺度融合方法来聚合特征点实现光学与SAR图像配准。进一步分析了描述子维度和描述子类型对配准结果的影响,有效提高了光学与SAR图像配准的精度。