近年来,图像检索技术、行人重识别技术、人脸识别技术已经被应用于日常生活中。这些技术有一个共同的技术基础就是图像匹配,即对两张图片的相似程度做出判断。而基于图像块的图像匹配,其匹配的目标则是从原始图片中提取出的局部区域。在许多应用场合,准确地判断两个图像块的相似程度是非常关键的,例如目标识别、精细化的分类、图像拼接、三维重建等,都需要对图像块进行匹配。本文立足于研究基于深度递归神经网络的图像块匹配问题,比较和分析了多种常见的图像块匹配算法。通过对人类匹配过程的观察,可以看出与人类在图像上固有的匹配过程相比,原有的图像匹配算法均可以看作是“一次性”的比较,无法充分评估待匹配图片特征之间的相似程度。基于此,本文提出了模拟人类匹配过程的新的图像块匹配算法。本文首先提出了一种基于卷积神经网络和递归神经网络的图像块匹配方法。与一般的匹配方法相同,首先利用卷积神经网络对待匹配的两个图像块进行特征提取。不同的是之后将提取出的两个图像块的特征以循环递归的方式作为递归神经网络的输入,最后利用多个分类器输出的相似性分数的均值来衡量两张图片的相似度。实验证明,基于卷积神经网络和递归神经网络的匹配方法能够有效模拟人类本能的匹配过程;循环比对的方式与原有的“一次性”比较方式相比,能够更全面的挖掘两个特征之间的关系,得到更加准确的相似性度量分数。其次,在循环递归神经网络的基础上引入了一种基于交叉熵损失函数的单调性损失函数。训练过程中单调性损失函数能够对递归神经网络输出序列中各个节点的相似性度量作出单调性约束,使得相似性度量的准确性随着节点的深入而增加,从而模拟人类匹配过程中随着观察次数增多判断越来越准确的特性。经过试验证明,单调性损失函数能够使得网络的预测随着处理次数的增加,准确性不断提高。最后,针对图像块匹配中的数据不平衡问题,引入了在线的负样本难例挖掘,在训练过程中每次迭代都挑选该批量负样本中的困难样本参与训练。实验证明通过这种方法一定程度上缓解了数据不平衡问题,使得模型的性能进一步提升。