近年来,基于图像的分析任务在多种领域内均取得了较为重大的发展,在这些任务中,图像质量的好坏对于最终性能存在决定性的影响。其中一项较为重要的标准则为图像视野,当一幅图像能够包含足够大的场景时,则能同一时间对所有场景进行分析,既能保证充分的信息,又能节省观测时间。图像拼接能够将多幅窄视角低分辨率图片融合生成广视角高分辨率图片,对于上述任务具有重要的现实意义,因此目前图像拼接逐渐成为计算机视觉中的热门研究课题。本文基于大量参考文献,对图像拼接任务进行分析,结合目前计算机视觉任务中主流的应用方法卷积神经网络,提出了用于两幅图像和多幅图像拼接的网络结构。主要研究内容和创新如下:本文设计了基于卷积神经网络的任意尺寸两图拼接算法。通过模仿传统基于特征的图像拼接算法,将其中的特征提取、特征匹配、图像配准和图像融合等步骤转换为网络结构,其中特征提取模块采用VGG16预训练模型,特征匹配模块采用矩阵相乘的方式计算特征图之间的相似性,获取相似度最高的匹配特征,随后利用特征匹配模块所得的相关图计算图像之间的配准参数,为实现任意输入大小的图像拼接,该模块中设计了三维卷积自适应注意力机制,保证不同尺寸的输入图像均具有相同维度的特征图,最后利用图像融合模块结合配准参数拼接生成最终的全景图。本文设计了基于卷积神经网络的任意数量图像拼接算法。该网络采用编码-解码结构,其中编码器分为两条支路,分别为特征提取支路和匹配关系支路,特征提取支路采用卷积残差结构获取所有输入图像的特征图。由于输入图像无固定顺序,匹配关系支路采用卷积长短时模型记忆长时信息,获取不相邻图像之间的配准参数。随后将两条支路获取的信息送入加权融合模块,采用注意力机制融合上述两支路特征,生成包含全部图像信息与匹配信息的特征图。最后利用解码模块将特征图恢复生成全景图像,为充分利用特征图中底层信息和高层抽象信息,采用跳跃连接构造网络结构。由于目前无公开的大型可用于拼接的图像数据集,本文分别提出了用于两幅图像拼接任务和多幅图像拼接任务的数据集构造方式,并利用构造生成的数据集训练对比多种图像拼接方法,实验结果表明,本文提出的方法具有较好的拼接性能。