随着遥感技术的发展,从遥感影像上获取所需信息已经成为一种非常重要的信息获取手段。不同的卫星传感器对地观测可以为同一地区提供多光谱、多时相、多分辨率的多模态遥感影像。多模态遥感影像(光学、红外,SAR等)反映了地物的不同属性信息和特征,能够为地表监测、执法督察等提供互为补充的众多信息,弥补单一影像源的不足,提高影像的信息量。综合利用多模态遥感影像可对目标区域进行更全面、更透彻、更容易理解的分析操作。影像匹配是众多遥感应用与分析如影像融合、影像镶嵌、地物目标识别、变化检测、3D重建、遥感定量信息分析的关键预处理环节,匹配精度会对后续的众多遥感应用产生十分重要的影响。在利用多模态遥感影像进行数据分析和处理前,必须要进行严格的匹配。但是,由于多模态遥感影像之间辐射差异较大,即同一地物往往会呈现出完全不同的灰度信息,导致同名点的匹配变得十分困难,所以多模态遥感影像的高精度匹配仍然非常具有挑战性。遥感影像匹配方法可分为基于区域的匹配方法和基于特征的匹配方法,前者对灰度特性比较敏感,容易受噪声影响,后者往往受制于特征重复率,影响匹配效率。目前,深度学习技术已经广泛应用于遥感影像处理的各个领域,本文基于遥感影像模板匹配的技术框架,重点对利用卷积神经网络提取特征用于影像匹配进行了深入研究,分别从影像信息本身提取共有特征和基于影像结构信息提取特征两个方面出发,探索对多模态遥感影像匹配适应能力强、匹配精度高的影像匹配方法。本文的主要研究内容及成果如下:(1)围绕遥感影像匹配的主题,系统论述了国内外相关研究进展,分析归纳了目前多模态遥感影像匹配的研究现状和存在的问题,总结了目前基于卷积神经网络的遥感影像匹配策略,对多模态遥感影像的特征检测重复率进行了实验论证。实验表明,受多模态遥感影像间显著的非线性辐射差异、微小的几何畸变和影像噪声的影响,影像间的特征重复率较低,对影像匹配效果影响较大。(2)卷积神经网络中Siamese网络模型在影像相似性检测研究中有很大的优势,该网络模型具有针对影像对的深层次特征提取能力,被认为是一种高效的深层网络,并且可以通过深层网络学习来提取影像间的共有特征,提高影像在不同模态情况下的相似性检测性能,可以有效地抵抗多模态遥感影像间显著的非线性辐射差异。鉴于此,本文将Siamese网络应用于多模态遥感影像匹配,通过去除池化层和抽取特征对其进行优化,使该网络能有效地提取影像间的共有特征,采用模板匹配策略,避免特征检测重复率的影响,实现多模态遥感影像的高精度匹配。实验结果表明,本文方法的匹配正确率和匹配精度均优于传统的模板匹配方法。(3)影像的几何结构特征对多模态影像的之间轻微几何失真,斑点噪声和辐射差异具有良好的抗干扰性,其反映的几何结构信息在多模态影像之间具有鲁棒性。鉴于此,本文研究基于影像结构信息的影像匹配方法,利用卷积神经网络对多方向梯度进行特征提取,构建了卷积方向梯度特征,能较好反映多模态影像间共有结构属性,有效避免人为设置卷积核参数对特征表达力的影响,实现多模态遥感影像高精度匹配。实验结果证明,本文方法可有效提取基于多方向梯度的影像特征,构建的卷积方向梯度特征能提高基于影像结构信息的多模态遥感影像匹配精度。