几十年来,人们对特征点提取算法不断的深入研究,提出了大量成功的特征点提取算法,为计算机视觉领域中的图像匹配、图像配准和目标跟踪等应用提供了基础。当前最好的技术依然以手工设计的特征为主,虽然手工制作的特征点检测器会有很好的效果,但它们通常依赖于预先设计的结构,在不同的情况下并不是非常灵活。随着深度学习和神经网络的发展,基于神经网络技术的应用开始在各个领域表现得具有竞争力。针对传统特征点提取算法的局限性,本文以神经网络技术为基础,提出了基于神经网络的图像特征点提取方法,提升特征点检测能力。本文主要研究内容及创新如下:首先探索了传统的特征点提取算法和神经网络的结构,分析了传统算法的局限性以及神经网络出色的泛化学习和非线性映射能力,提出了基于神经网路的图像特征点提取方法。其次对几种经典的卷积神经网络进行了深入研究,总结了卷积网络模型发展的方式。深入探索了现有的一种自监督学习特征点检测模型,提出了对其共享卷积层改进的方法。以VGG(Visual Geometry Group)网络模型的结构为基础,给出了四种改进的网络模型。并在HPatches数据集上验证网络模型在视角变化和光线变化下从图像中提取特征点的能力。实验证明,11层的网络结构取得了较好的效果,将视角变化和光线变化下提取到特征点的重复率分别提升了0.9%和1.3%。最后以11层的网络模型训练特征点描述符,并测试在视角变化和光线变化下特征点的匹配能力。同时还与传统的特征点提取算法如SIFT算法和ORB算法进行了对比实验。实验证明了改进方法的有效性。