特征匹配作为计算机技术和人工智能中一项基本的图像处理技术,在许多计算机视觉应用中都扮演着关键的角色,比如图像检索、图像配准、三维重建等。随着计算机技术和人工智能在人类日常生活中日益广泛的应用,人类对特征匹配技术的有效性、稳定性和泛化能力都有着更加迫切的要求。在特征匹配过程中,如何确定两个特征属于同一目标是非常困难的,特别是在匹配特征在外观上非常不相似,而非匹配特征又特别相似的情况下。因此,设计一个高质量的特征描述符就显得至关重要。相对于手工设计的特征描述符,基于学习的特征描述符通常可以适应更加复杂的场景,因此这类方法也是目前研究的重点。本文研究了基于深度学习的特征描述符学习算法,旨在实现同一特征的高效和精确匹配。本文的主要研究工作如下:1.本文分析了现有主要的特征描述符学习方法,根据描述符的表示类型将其分为实值型和二值型;根据学习方法将其分为基于手工设计的方法和基于学习的方法。基于不同的分类方法,本文详述了各类方法的特点和原理,并介绍了各类方法的代表算法。2.提出了一种基于网络融合的描述符学习方法。受到传统融合算法的启发,本文提出了网络融合框架来学习描述符。根据设计的框架,提出数据增加的方法产生新的样本参与训练。鉴于三元组损失函数在匹配任务上的优势,本文通过最小化三元组损失来训练模型。此外,为了更好地训练模型,本文采样困难负样本挖掘的方法获取三元组中的负样本,进一步提高了算法的性能。3.提出一种基于自编解码结构的描述符学习方法。考虑到实际应用中描述符的维度有限,本文尝试使用相同维度的描述符携带更多的原样本的信息。通过构建解码器网络,从描述符中恢复原图像。计算原图像和重构图像间的重构损失,最终迫使描述符携带更多的原图像信息。算法最终在两个标准数据库上进行评估,实验结果表明了本文算法的优越性。