图像匹配一直是计算机视觉领域中的研究重点,在图像检索、图像配准、目标跟踪等诸多领域有着广泛的应用。异源图像包含的丰富互补信息,对于目标的全面、准确认识十分重要。但是由于不同的成像机理和条件导致异源图像之间存在明显的表征差异性,使得同源图像的匹配方法不能适用于异源图像,因此针对异源图像的匹配方法研究具有非常重要的意义。随着深度学习的飞速发展,基于卷积神经网络的图像匹配方法不断涌现出来。本文在总结现有图像匹配方法的基础上,将深度卷积网络和生成对抗网络应用于异源图像的匹配中,主要工作如下:(1)基于特征图差值融合的异源图像块匹配方法。针对异源图像提取的特征信息表达能力不足的问题,通过特征图融合的方式将空间邻域信息引入到图像特征描述子中,充分提取利用图像的有效信息。为解决特征描述子中存在的鉴别性差异信息容易被忽视的问题,本文在特征图融合方法的基础上进行改进,利用特征图组求差值的方式得到残差特征图,之后进行匹配度量。该策略不仅提高了网络对重要匹配特征的关注力度,而且增加了网络自身的稀疏性,提高了匹配准确率和网络健壮性。(2)基于特征残差学习的异源图像块匹配方法。通过对基于特征图差值融合方法的分析发现,差异特征信息在图像匹配中十分重要。针对图像的高层残差特征中会缺失重要细节信息的问题,通过增加副分支卷积网络的方式,对主干网络中不同卷积层得到的多个尺度残差特征图组进行特征学习。该策略将底层的细节残差特征与高层的语义残差特征进行结合,充分挖掘图像中有利于匹配的重要特征信息。在此基础上,本文进一步将主干网络与副分支网络得到的高层残差特征进行组合学习,利用三次度量的方式来提高匹配预测的准确率和泛化性能。(3)基于图像转换的异源图像块匹配方法。针对异源图像之间存在的表征差异性问题,利用生成对抗网络中的生成器将异源图像转换为同源图像,之后对同源图像进行相似性度量,以此降低匹配难度。为改善生成的转换图像质量及多样性,通过预训练的卷积自编码器来正则约束判别器网络的训练,从而间接强化生成器的稳定训练。图像转换策略克服了图像之间由于表征差异性大导致的匹配困难问题,为异源图像匹配提供了全新的解决思路。