局部图像特征描述算法是图像匹配技术的核心算法,不仅被广泛应用到宽基线匹配、图像检索、图像拼接、3D重建等计算机视觉任务中,还被应用到产品质量检测、指纹解锁、自动工件检测等实际工程应用中。局部图像特征描述方法是把局部区域描述成一个具有唯一性的特征描述子。一个鲁棒的描述子应该对于匹配块不会因为视角、光照、旋转、模糊和噪音等的变化而变化,同时对于非匹配块要保持不同图像块之间的区分性。近年来,随着深度学习在计算机视觉的成功应用以及大规模的特征点描述数据集的出现,局部特征点描述子的研究取得了突破性进展。然而,对于直线特征描述算法的研究,由于缺少大规模标注数据集以及直线因端点、长度的不确定而造成的难以统一表达等原因,局部图像直线特征描述算法的研究仍停留在手工设计的阶段。受直线特征描述子MSLD的启发,本文将图像中的一条直线表示成由直线上所有点的邻域计算出的一个均值块和标准差块,将直线的特征描述转换为类似于点的特征描述,从而将深度迁移学习技术应用于直线特征描述算法的研究,解决了直线特征数据集不足和难以统一表达的问题。本文将全卷积神经网络和深度迁移学习相结合,提出了两种基于深度迁移学习的直线特征描述算法,其主要的研究工作包括如下三点:（1）构建了用于训练深度神经网络的直线特征数据集基于深度迁移学习的直线特征描述算法研究,一方面需要已有的特征点数据集,另一方也需要构建新的直线特征数据集。为此,本文通过手机拍摄或网络下载的方式构建了两个高质量的直线特征数据集LFpatches和GDLFpatches。数据集包括约3400对不同光照、模糊、视角、旋转、JPEG压缩、噪音和尺度变化图像,共约138000对不同的均值块和标准差块。（2）基于深度迁移学习的直线特征描述算法T-MSLD为了提高直线描述子在大量图像变化上的稳定性和鲁棒性,本文提出了一种基于深度迁移学习的直线特征描述算法T-MSLD。首先,参考特征点描述子的深度学习网络L2-Net,建立了七层的卷积神经网络,作为直线特征描述子的训练网络。其次,使用预训练的L2-Net的网络权重对网络参数进行初始化。再次,选择三元组边际损失作为损失函数,并使用自建的直线特征数据集对网络参数进行微调和优化。最后,将T-MSLD用于特征匹配任务,实验结果表明本文提出的T-MSLD在召回正匹配总数和平均精度均值（mean Average Precision,m AP）两个评价指标下都优于已有的手工设计线特征描述子MSLD和IOCD。（3）基于FCNNS和深度迁移学习的直线特征描述算法为了让深度卷积网络既能学到局部的特征变化又能学到全局的特征,进一步提高模型的泛化能力和直线特征描述子的质量,本文使用中心-环绕（Central-Surround）对模型的输入数据进行数据增强,同时深度学习网络架构选择全卷积神经网络,应用迁移学习完成了基于FCNNS和深度迁移学习的直线特征描述算法的研究。本文研究了三种全卷积神经网络架构,即是中央环绕孪生网络（Central-Surround Siamese network,CS S-Net）、中央环绕伪孪生网络（Central-Surround Pseudo-Siamese network,CS PS-Net）、中央环绕双通道网络（Central-Surround 2-Channel network,CS2-Channel-Net）。实验表明三种模型都优于现有的手工设计描述子,特别是在模糊变化、视角变化、旋转变化和尺度变化上取得了显著的性能提升。