随着人工智能与自动驾驶的发展,同步定位与建图,运动恢复结构,相机标定及图像匹配等计算机视觉领域重要任务受到了越来越大的重视,而这些任务的精度很大程度的依赖于局部图像特征的性能。在以往的工作中,大量手工设计的特征,如SIFT、HOG等,被用来提取图像特征,并加以描述。但在真实环境中,图像视角、尺度和光照等变化的存在,给传统手工特征带来了极大的挑战,在性能及鲁棒性方面还有待提高。另一方面,计算机硬件的不断升级和计算能力飞速发展带动着深度学习的变革,使得深度学习在视觉任务上,如目标检测,语义分割,深度估计等方面都取得了突破性的进展。这些工作中,通常以大量的人工标注作为真值,但是在特征点标注上,这仍是一个病态问题。目前大多数基于深度学习的特征点提取方法仍采用传统的手工设计特征作为真值,通过网络学习特征点的分布及局部图像的描述。本文提出了基于深度学习的特征点提取与描述算法,采用自监督的方式,对特征点位置进行自标注,利用孪生网络结构,构建匹配点对,便于描述子的学习。另外,本文利用特征点的位置信息,来增强特征描述,提高描述子的可区分性,同时降低了网络输出的中间存储量。为了使得深度特征适用于实时环境,本文设计了一个损失函数,利用正则项的约束将描述子二值化,在保有较高精度的同时,提高了特征点的匹配速度。本文使用了 Hpatches数据集进行实验验证,通过实验验证表明基于深度学习的特征提取与描述在性能上比传统手工特征更好。