图像匹配作为图像处理中的基本任务,用于匹配在不同时间、从不同成像设备或从不同角度拍摄的两幅或多幅图像。图像匹配在不同应用领域有不同的专业名称,比如,图像配准、图像对齐、光流估计等,其目标都是估计图像与图像之间的空间对应关系。图像匹配已在光流估计、医学影像诊断等图像处理及工程技术方面得到了广泛应用。然而图像匹配中仍然有许多问题有待科研学者去进一步完善。例如,在成像设备多样化的时代,如何高效、精确的实现多模态图像的匹配,如何在提高精度的同时最大程度地降低计算成本,以及如何将领域内经典配准算法与当前流行的人工智能有效结合等问题,都值得研究人员深入研究。本文在此背景下进行了图像匹配算法的研究工作,基于端到端的卷积神经网络提出鲁棒的图像匹配算法。主要贡献有以下几个方面:(1)本文基于深度学习算法和多模态表征机制提出了一种新的多模态图像群匹配方法,并成功应用到多光谱眼底图像的群匹配,在临床上,促进了医学图像融合等工作,能够有效地帮助医生进行疾病诊断、病情监测等。(2)本文将经典统计学算法主成分分析和深度匹配算法相结合,提出了对于多模态图像的模板构建方法,同时对待匹配序列图像增加相关性平滑约束,增强形变场的光滑度,实现图像群匹配的联合优化。(3)本文基于当前主流的生成对抗网络提出对称的图像匹配方法,并应用于光流估计问题中。将光流的前后向一致性约束嵌入到光流估计网络模型,计算视频中连续帧图像之间的双向形变实现对称的光流估计,有效提升了光流估计的准确率。对抗的训练模式直接学习匹配图像和目标图像之间的误差信息,驱动网络优化,避免了传统方法中亮度一致性假设带来的物体运动边界估计模糊的问题。(4)本文为了克服现实中用于光流估计的标记样本不足的问题,结合半监督策略训练网络模型,同时利用有标记和无标记的数据样本,在提高光流估计准确率的同时,也避免了深度网络由于训练数据不足而引起的过拟合问题。