精细三维模型是智慧城市建设的关键空间基础信息，而视角变化和遮挡等导致基于航空影像生成的三维模型容易出现边缘不准确、孔洞以及建筑物立面纹理模糊等问题，因此，如何快速高效解决区域遮挡和视角变换成为了重要难题。地面影像可以很好的补充倾斜摄影建模底部缺失与区域遮挡的问题，因此，本文提出了一种轻量化的多层渐进式特征对齐网络来实现空地影像的稳健匹配，为城市建模提供更好的技术支撑。我们的方法主要分为三部分：（1） 多层渐进式匹配网络优化策略设计。主要利用Efficient-B3预训练模型的高层特征图上进行双向匹配，取双向匹配的交集作为初始匹配点集；（2） 特征匹配与粗差剔除。根据初始匹配点对，采用RANSAC策略计算初始单应矩阵，将地面影像运用此矩阵做图像变换，得到近似空中视角的影像；（3） 匹配结果优化。在空中影像和近空视角影像的基础上在前面多层特征图上进行匹配和优化。在每一层特征图上，都计算该层特征图的匹配和对上层匹配点对的位置校正，最终得到精确的匹配点集。以无人机DJI-MAVIC2拍摄的航空影像及手持设备拍摄的地面影像等8组典型的数据作为实验对象，与SIFT、D2-net、DFM等算法进行对比。试验结果表明，本文提出的基于多层渐进式对齐网络优化的空地匹配方法具有良好的匹配性能，其平均同名点匹配数量较最优方法提升了1.3倍。