近年来,伴随着智能化设施的蓬勃发展,计算机视觉技术已成为诸多领域的重要技术之一,其中图像的特征提取和匹配是图像处理的一个重要组成部分。图像的特征提取是将图像从高维的特征中提取出具有一定代表性的特征,是对图像的一种压缩,同时这些特征能满足图像在其目标任务中的应用。在图像匹配的特征提取中一般是通过数学方法提取特征点并计算特征描述,但是这种特征描述的表达能力较弱,在一些场景中的使用如目标定位、目标跟踪的图像存在较大形变等问题有局限性。针对特征描述表达能力不足的问题,本文利用深度学习的方法,通过深度学习的模型结构优势,层层提取出图像的特征,将图像底层的特征不断融合提炼,得到对图像在语义层面上的深层而抽象的特征。本文完成的主要研究内容包括:(1)调研图像匹配的研究现状及特点,结合深度学习在图像特征提取的优势,利用卷积神经网络提取的图像特征,优化图像的匹配精度。(2)提出了一种基于卷积神经网络的特征描述子。该网络在训练的过程中不仅考虑了两张图像相同特征点的特征描述的相似性,还考虑了不同特征点间的相异性,使得网络具有更强的表达能力。模型目标函数的优化方法采用了随机梯度下降法,训练数据的选取通过一种在线的方式构造一个三元组的数据集,解决了离线方式下随机选取异类样本时产生数据冗余的问题。(3)提出了一种图像匹配算法,将基于卷积神经网络的特征描述子应用其中。该算法利用图像中具有一定不变性的特征点进行匹配,通过卷积神经网络提取特征点的特征描述,并利用改进的基于K近邻的双向搜索算法和随机抽样一致的去除误匹配算法得到特征点匹配关联。通过实验验证了该算法在光照强度变化、几何变化、外貌变化等情况中比传统的图像匹配算法具有更好的匹配效果。本文的算法基于大规模数据进行训练,通过学习得到知识并存储于模型结构中。算法提取出的高层特征,能够更抽象的表达图像,能够面对更复杂的目标问题。因此本文的算法在图像特征描述中,赋予其更优秀的表达能力,增强匹配的效果,可以应用于基于图像的目标定位、目标跟踪等中。