在导弹的末制导阶段中,常采用景象匹配技术作为导航手段。而景象匹配区的选取是影响景象匹配系统性能的关键因素,是参考图制备中的核心技术,因此,通过景象匹配适配性分析,建立一个适应性强的适配区选取准则具有重要的现实意义。现有的景象区域适配性分析工作,无论是基于光学图像或是SAR图像,都是通过提取与适配性有关的传统的图像特征参数,进一步根据阈值逐层筛选出适配区,或是由此训练分类器来对适配性做出预测。由于景象适配性分析的复杂性,目前的适配性分析方法在实际的景象匹配应用中依然存在诸多问题。论文在前人工作的基础上,针对景象匹配的适配性分析方法展开研究,提出了一种基于ResNet深度学习网络的适配区选取方法。主要研究内容如下:针对当前景象区域适配性能评价模糊性问题,采用匹配概率指标对适配性能做出量化。论文结合工程应用实际,考察了参考区域多幅子图在不同场景下成像后的匹配性能。对一幅参考图,在其中取多个实时图大小的子图并对其仿射变形,生成数量众多的模拟实时图。让模拟实时图与参考图进行匹配,统计正确匹配的实时图个数并计算概率,作为当前参考图适配性的定量评价指标。针对当前适配性分析中图像特征参数设计困难问题,采用深度卷积神经网络方法来提取高维图像特征,并将特征提取与回归器训练结合,用典型尺寸大小的参考图作为样本输入,该区域去均值归一化算法得到的匹配概率作为输出,训练ResNet深度学习网络作为匹配概率预测模型,从而实现对于指定参考图快速给出比较准确的匹配概率预测。最后,进行了实验验证,分析了不同地物类别参考图的适配性情况。将论文提出的适配性分析方法与基于统计特征与支持向量回归的适配区选取方法进行对比实验,实验结果表明,论文方法具有更高的分类准确率,对于适配区的选择也具有更高的灵活性。