特征匹配可以连接两个目标图像中相同或相似的属性,是低层视觉通往高层视觉的纽带。作为计算机视觉任务中最基础的一个环节,特征匹配在许多场景下都发挥着重要作用。特征匹配技术已被应用于各类计算机视觉工作,包括图像配准、图像融合、图像检索、目标检测与跟踪和三维重建等。可以说以特征匹配结果的好坏直接影响到后续计算机视觉任务的完成效果。低空遥感图像主要由小型无人机采集,由于其飞行高度的限制,获取的影像幅面小,影像数据量大,且相邻影像之间比例尺不一致,所以影像之间存在大倾角,大旋转角等现象,使得待配准的图像重叠率低,算法匹配效果差。并且由于拍摄仪器或传感器的不同,产生的图像会发生光度等变化,使得一些基于强度的匹配方法失效。除此之外,随着成像视角的变化、拍摄时间的延长以及传感器类型的变化,低空遥感影像会出现遮挡、复杂纹理和多模式等情况,使得影像的特征匹配变得更加困难。受以上因素的影响,获得的低空遥感影像发生几何畸变的程度高且情况复杂,使得影像自动匹配程度低,极易出现错误匹配。为了解决上述低空遥感图像特征匹配错误率较高的问题,我们提出了一种基于点的结构特征和深度学习的特征匹配算法。该方法分为三步走的策略:（1）重构初始匹配集。首先利用主流的SIFT特征匹配算法进行粗配准,构建一个初始的假定匹配集,然后使用一个平滑邻域约束,来筛除明显不匹配的点对,对特征点邻域关系进行重构。（2）局部结构信息可视化。依次连接每个特征点的K个最近邻,通过规则网格和伯森汉姆中点算法生成一系列二值图像,将每个特征点的邻域拓扑结构可视化的表达出来,生成VLSG特征描述符。（3）孪生注意力网络判别。针对提出的VLSG特征描述符我们制定了一个孪生判别网络,该网络的两个分支由相同的特定卷积神经网络组成,并且通过共享权值来减少整个算法的运算时间。我们在孪生判定网络的每个分支中都加入了空间尺度注意力模块和空间结构注意力模块,通过这两个模块可以实现动态的尺度控制,进行合适的结构操作,以达到更精确的匹配。我们的整个特征匹配算法不需要图像的纹理信息,仅需要图像的局部特征点信息。我们在多个低空遥感图像数据集中对提出的算法进行了实验,结果显示该算法明显优于其他七个先进的特征匹配算法,并且该算法在低空遥感图像配准方面也取得了优秀的表现。