图像匹配是遥感影像应用的基础技术,可见光和近红外遥感影像匹配是其中一个重要的研究热点。可见光和近红外影像在计算机视觉和图像处理领域应用广泛,两者具有互补性,可以丰富信息来源,提高场景的理解能力。由于两者不同的成像机制,可见光和近红外影像间存在明显的辐射差异和几何变形,这使得可见光和近红外影像匹配相比于传统的光学图像匹配更具有挑战。本文针对可见光和近红外影像匹配,提出了一种基于深度学习的自动匹配方法。本文的主要研究内容有以下几个方面:（1）为增强可见光和近红外影像的匹配性能,本文提出了一种多级特征密集连接的卷积模块结构,并基于此提出了多级特征密集连接的卷积神经网络。多级特征密集连接的卷积模块结构确保网络浅层提取的低维特征可以直接传递到网络深层,增加高维特征的信息来源,显著的提高卷积神经网络的匹配性能。（2）为提高网络的学习能力和稳定性,本文提出了一种增强型损失函数来优化网络模型的训练,并基于此提出了辅以增强型损失函数的多级特征密集连接的卷积神经网络匹配方法。增强型损失函数中的平滑项,确保网络参数的有效更新,明显的提升了卷积神经网络的泛化能力。（3）相比于其他仅用于可见光和近红外影像相似度比较的卷积神经网络匹配方法,本文提出了一种基于模板匹配的卷积神经网络完整匹配框架。通过将基于特征匹配的卷积神经网络匹配方法替换为基于模板匹配的卷积神经网络完整匹配方法,可以端对端输出大量的可见光和近红外影像匹配点对。为验证研究方法的迁移能力和通用性,本文将学习了可见光和近红外卫星遥感影像匹配的网络模型直接应用于其他匹配任务,如异源可见光和近红外卫星遥感影像匹配、多时相可见光和近红外卫星遥感影像匹配和可见光和近红外近景图像匹配。本文的实验证明,相比于传统的匹配方法和现有其他基于卷积神经网络的匹配方法,本文所提方法在多样化的可见光和近红外影像匹配任务中的优越性十分明显,具有良好的匹配性能、匹配效率和适用性。