车辆荷载是桥梁最重要的荷载之一,是桥梁产生疲劳劣化最主要的原因,同时也是桥梁时变可靠性分析、剩余寿命预测以及极限承载能力评估的重要基础。结合桥梁监控视频与动态称重系统数据进行桥梁车辆荷载监测研究,具有良好的应用前景,近些年来得到了越来越多的关注。如何建立不同监控图像中的车辆对应关系,从而实现动态称重数据直接迁移则是该研究中的关键问题。作为一种建立图像间对应关系的计算机视觉方法,图像特征匹配方法是有效解决方案。针对桥梁监控场景中的图像尺度、角度、光照变化等影响图像匹配效果的挑战性难题,本文提出了一种基于数据驱动的Hard Net深度学习描述符的图像匹配方法。相较于通过人工设计提取特征规则而存在特征信息损失,使得匹配结果不够鲁棒的传统图像特征描述符,基于数据驱动的深度学习描述符能够充分提取并保留特征区域的特征信息,实现理想的匹配效果。本文主要研究内容如下:（1）建立了基于Hard Net深度学习描述符的图像匹配方法。方法分为特征检特征描述和特征匹配三个阶段。在特征检测部分,利用AGAST特征检测算法在图像尺度金字塔中快速检测图像中稳定的点特征;在特征描述部分,将检测到的点特征与其周围区域作为特征区域输入通过大规模图像数据预训练的Hard Net深度神经网络中,获得Hard Net深度学习描述符;在特征匹配部分,采用暴力匹配方法与SIFT匹配准则建立图像间的描述符匹配关系,并结合RANSAC方法辅助剔除其中的错误匹配关系。（2）利用实桥静态监控图像验证了提出的图像匹配方法的性能,并与三种传统特征匹配方法进行了对比研究。试验结果表明本文提出的方法对于实际桥梁监控场景中的尺度、角度、光照变化等图像变化具有较强的鲁棒性,且相较于传统方法能获得更多更稳定的点特征匹配关系。在大型车辆图像测试数据集下引入m AP与rank-k指标到性能量化评价试验中,基于Hard Net深度学习描述符的图像匹配方法分别获得了93.79%的m AP与98.89%的rank-1指标值,明显大于对比方法的结果,验证了本文方法能够以更高准确率且更稳定地实现目标车辆图像的匹配。（3）建立了基于视频搜索匹配目标车辆的策略,利用实桥动态监控视频数据进一步验证提出的Hard Net深度学习描述符图像匹配方法的实用性。试验结果表明方法在视频中仍能高准确率地匹配目标车辆图像,能有效地建立不同监控视频中的车辆对应匹配关系。最后,以图像匹配方法为基础,建立了桥梁车辆荷载识别分析流程,在动态称重数据已知的前提下可实现桥梁车辆荷载分布的持续分析。