图像匹配旨在对于语义相似的图像生成像素级别的对应关系,即图像间相关性的流场。由于图像匹配任务的基础性,其准确率的增加和计算效率的提升对计算机视觉的诸多应用型任务都有着不可忽视的意义。图像匹配作为重要的理解图像语义和像素点之间的对应关系的任务,仍有许多需要解决的问题,尤其对于种类级别的图像匹配任务,图像拍摄的角度变化,待匹配物体的尺度变化,复杂背景的干扰,都为图像匹配任务带来了巨大的干扰。因此本文将从如何应对图像匹配的两个巨大差异问题出发,即低层图像信号与实际高层语义之间的巨大差异和待匹配图像对之间的巨大类内差异,有效利用特征金字塔和环一致性约束完成层次化的图像匹配。首先构建了基于图像多层语义的特征金字塔完成图像由语义结构到细节结构的层次化匹配,然后将环一致性的概念引入图像匹配的任务中完成对模型的优化,主要工作如下:首先,提出了一种基于卷积神经网络的图像匹配方法,通过对卷积神经网络特征与图像视觉信息的对应关系分析,证明了卷积神经网络逐层特征与图像层次化匹配的对应关系,确认其应用于图像密集语义匹配的有效性。通过利用图像信息表达更完善、更有益于图像匹配任务的卷积神经网络特征,从匹配对象特征层面改善方法并通过实验证明卷积神经网络特征相比基于人工特征的传统方法可以达到更好的匹配效果。其次,提出了一种基于多层语义特征的图像匹配方法,对图像不同层次信息的优势进行整体利用完成匹配任务。利用特征金字塔的结构将不同层次信息融合,构建不同层次之间的连接。为基于特征金字塔的图像匹配模型设计新的能量函数,引入匹配指导项约束,加强图像高层与低层的信息融合。最后通过实验验证该模型型可以有效的利用图像的不同层次信息提高图像匹配的准确度。最后,提出了一种基于环一致性的图像匹配优化方法,将环一致性巧妙的应用于图像密集语义匹配的任务中。结合层次化匹配的方法,利用环一致性生成的指导图,构建基于环一性的图像匹配优化目标函数,达到更好的处理图像之间巨大类内变化的目的。