随着智慧城市的建设和发展,基于影像的城市视觉定位应用越来越广泛。但是城市街景影像覆盖范围的扩大使得影像的数据量变的更加庞大,街景包含的场景也更加复杂,海量的数据场景给视觉定位带来了巨大的挑战。本文从视觉定位中城市街景影像入手,研究利用深度学习的方法对街景影像进行处理后再做匹配,提升视觉定位匹配环节的准确率以提高基于影像的城市视觉定位整体的效率和准确率,对基于影像的城市视觉定位具有重要意义。本文主要研究内容如下:1、针对街景定位中匹配方法的应用方面,介绍了SIFT算法和Harris算法的原理,并通过实验对比了SIFT算法和Harris算法提取特征的效果,得出SIFT算法具有较好的稳定性和不变性,能够很好的适应光照变化、尺度变化和旋转变化,并且可以在一定程度上不受视角变化的干扰而且在物体的特征点提取方面具有多量性的特点,即使影像中只有少量的物体也能提取产生大量的特征,信息量丰富。2、针对传统图像匹配方法流程在视觉定位过程中存在误匹配率高,匹配耗时等问题,提出一种结合深度学习图像处理对街景影像进行匹配的方法。该方法首先利用深度学习算法模型对影像中造成以上问题主要原因的行人和车辆等瞬间场景元素做筛选和分割,之后利用尺度不变特征转换算法对处理后得到的影像提取鲁棒特征点并对特征点进行匹配来完成街景影像的匹配。结合Cityscapes数据集选取不同场景的影像从匹配准确率、特征点提取数量、描述生成总耗时和影像匹配总耗时方面进行实验分析,结果表明该方法处理过的影像提取冗余特征点数量减少,描述生成和影像匹配总耗时降低,匹配的准确率也得到了提升,取得较好效果。3、在上述研究方法基础上设计实现了基于深度学习图像处理的城市街景影像视觉定位系统。城市街景视觉定位功能模块设计主要包括用户输入模块、处理结果查看模块和定位结果模块,实现了从用户影像的输入,到利用深度学习的方法对输入影像进行处理,对输入影像与系统影像集影像进行匹配,最后输出定位结果影像并展示出定位的位置信息。实验结果表明应用本文深度学习图像处理方法可以提高城市视觉定位的准确率。该论文有图28幅,表4个,参考文献103篇。