模板匹配是在空间上下文中对两幅图像进行配准的方法,其作为一种关键技术已经广泛应用于目标自主识别与跟踪等多个领域。由于实际场景中的图像往往含有各种形变,以及传统方法通常采用逐像素遍历搜索的匹配策略等原因,算法经常无法同时满足精度和速度要求。因此,本文围绕各种场景下的形变图像匹配算法准确性和快速性的问题,开展了以下研究:针对随机搜索方式易陷入局部最优解和二维仿射变换空间遍历搜索效率较低的问题,本文提出了具有自动寻优特性的异型粒子寻优快速匹配算法(简记为MPO)。该算法基于仿射变换模型,将随机性和变异机制结合以提升算法的全局搜索能力,并且采用离散采样机制减少计算量以提高匹配速度。同时,针对实际成像平台提供的姿态参数存在偏差的问题,本文提出了有偏姿态参数透视变换匹配算法(简记为BPT)。该算法基于透视变换模型,利用MPO算法中自动寻优的思想来修正有偏参数。实验证明,MPO算法具有较好的匹配性能,BPT算法能在迭代过程中有效消除姿态偏差。软件仿真测试结果也表明两种算法能满足实时性工程要求,可以很好地应用于现实匹配场景中。针对参数化模板匹配算法对复杂形变图像匹配能力不足的问题,本文在深度学习理论基础上,提出基于反卷积的模板匹配算法(简记DM-Net),进一步扩大了模板匹配算法的适用范围。DM-Net结合孪生网络和双通道网络结构的特点,通过改进网络结构和损失函数来提高匹配精度,并加入反卷积网络用于图像编码来加快匹配速度。同时,本文还分析了各个结构改动对网络性能的影响,测试了该网络在标准数据集和成像平台图像序列上的匹配效果,并将其与其他匹配网络模型进行比较。实验结果表明,DM-Net具有较强的正样本灵敏度感知能力和负样本分辨能力。