图像拼接技术是计算机视觉领域一个重要的研究方向,在靶场实战化训练中可以通过图像拼接技术还原实弹训练前后靶场的地面变化程度,评估武器打击的毁伤性能。然而靶场地面图像具有特征贫瘠、单一、纹理不显著的特点,导致评估结果不准确、误差较大。因此,本文采用基于多相机的地面图像拼接技术对靶场大范围地面进行还原,主要研究内容如下:（1）针对传统图像配准过度依赖图像特征的问题,提出局部重叠区域无显著特征的图像配准算法。对相机视野重叠区域进行预判,确定相机采集后图像间重叠区域的大致位置,并借助图像掩膜和分割技术对确定后的重叠区域完成掩膜和分割处理,接着对分割后的局部图像采用ORB+GMS配准算法进行配准,提高图像配准的准确性和效率。经实验表明,该方法在降低特征不显著图像间的误匹配率的同时,配准效率提升了28%。（2）针对无显著特征图像配准算法在大视差、特征少的大范围靶场地面场景拼接时存在伪影、失真等拼接质量差的问题,引入VGG-19作为主干网络的无监督拼接算法进行拼接。使用深度单应性网络进行图像间的单应性估计,并借助缝合域变换器层进行输入图像的扭曲,实现图像间的对齐,同时,采用从特征到像素的方法,学习图像拼接的变形规则,完成对齐后图像的重构,提高拼接图像的分辨率。经实验表明,无监督图像拼接相较于传统拼接,拼接效果更好,更适合本文研究场景。（3）针对无监督拼接算法在拼接时,图像重叠区域出现的结构扭曲和拼接后不规则边界的问题,提出基于无监督的图像拼接融合方法。将无监督对齐模块中的深度单应网络特征提取层从conv＿block4加深至conv＿block5,并在重建网络中的高分辨率分支中添加卷积层,用来防止低层次信息随着网络深度增加而损失,解决了重叠区域扭曲的问题。对拼接后不规则图像使用一阶段图像矫正的深度学习方案进行了校正,该方案对输入图像建立一个刚性目标网络,通过残差渐进回归的卷积网络对初始网络进行预测,形成输入图像和刚性目标网络之间的变换模型,并使用综合目标函数进行约束,使得矫正后的图像内容具备较高的保真度。经实验表明,该方案优化后的图像形状自然,效果可观,可行性较高。（4）对戈壁、荒漠、庄稼地和森林四组不同场景进行对比实验,并利用客观评价和主观评价两种方式对拼接图像进行评价,得出本文采用并改进的基于多相机的大范围地面图像拼接方法兼顾了大视野和高分辨率特征,拼接效果卓越,迁移性和鲁棒性也有了很好的改善,对大范围靶场地面场景的还原具有重要的研究意义。