景象匹配辅助导航由于导航精度高、抗干扰能力强和保障难度小等特点而广泛应用于飞行器的自主导航。景象区域适配性分析是影响景象匹配辅助导航系统性能的重要因素,对该技术进行研究具有很高的工程应用价值。本文针对景象区域适配性相关问题展开了研究。首先,结合辅助导航应用实际情况,对景象区域适配性问题进行了综合分析。一方面对景象区域适配性基本指标——匹配概率进行了研究,并结合景象适配性分析任务中缺少对应图像对的情况,提出了基于模拟实时图生成的单幅图像匹配概率计算方法,为景象区域适配性分析方法奠定了基础;另一方面分析了适配性的影响因素,主要包括噪声干扰、失真畸变和自然景物特性。然后,在对景象区域适配性问题进行了较为深入剖析的基础上,分别提出了基于PCANet+MLP和基于改进的分块双向2DPCA+ResNet的两种景象区域适配性分析方法。通过网络自动获取图像基本特征,避免了人为定义图像基本特征面临的工作量大、主观性强和适用范围较窄等问题。（1）基于PCANet和MLP的适配性分析方法。将PCANet与MLP结合应用于景象区域适配性分析领域。先通过本文中提出的单幅图像匹配概率计算方法求取图像的适配性基本指标并经二值化后得到图像的适配性标签,然后将图像经PCANet提取图像的全局降维信息,最后将图像的全局降维信息输入MLP并训练网络得到适配性评估模型。其中PCANet通过滑动窗口块采样、卷积操作获取了图片的局部相关信息,然后通过统计直方图特征信息、直方图特征级联等操作又构成了图片的全局信息。MLP可以对PCANet的高维数输出进行模式识别,从而将图像分为适配和不适配两类。（2）基于改进的分块双向2DPCA和ResNet的适配性分析方法。与第一种方法类似,先计算图像的适配性基本指标然后二值化得到图像的适配性标签。在提取图像特征环节,考虑到图像基本特征的唯一性准则,本文提出了分块双向2DPCA来获取图像的局部降维信息。最后将图像的局部降维信息输入ResNet训练神经网络得到适配性评估模型。分块双向2DPCA保留了图像的空间信息,因而将分块2DPCA的提取结果输入到在图像处理领域表现优异的ResNet中来进行模式识别。最后,在本文构建的专用于景象区域适配性分析的数据集上,对两种方法进行了实验验证。实验结果表明,两种适配性分析方法分别在模型训练耗时缩减和适配性的预测准确率提升方面有较大提升。