图像局部特征描述作为计算机视觉领域的一个基本问题,决定着图像拼接、图像融合、图像定位、三维重建等后续高级视觉任务的效果。目前主流的研究可以分为点特征描述和线特征描述。与点特征相比,曲线特征更贴近图像信息描述,全局性显著且不易受到噪音的影响。然而,由于曲线存在着端点难定位、长度难统一,且其周围包含较多的重复性纹理等问题,导致目前常用的手工设计曲线特征描述方法只能在单一的图像变化场景中表现出良好性能,并不能适用于复杂的图像变化场景。为了提高曲线描述子质量,本文基于深度学习的方法研究曲线特征描述问题,主要研究内容和创新之处如下:（1）构建大规模曲线数据集。为解决深度学习需要大量数据进行驱动的问题,构建了大规模曲线数据集。首先,通过互联网下载和手机拍摄收集到1700多对包含建筑物或文物的图像对,包括尺度、光照、模糊、视角、旋转、压缩和噪音七种图像变化。然后,使用算法对图像对中的曲线进行提取和匹配,并且通过人工检查剔除错误的匹配信息。最后,将曲线转换为与其长度无关的均值标准差曲线块,构建了含有21万多条带有标记信息的大规模曲线数据集。（2）基于深度学习的均值标准差曲线特征描述方法。针对传统手工设计的曲线描述子在复杂条件下存在着分辨性不高且鲁棒性不强的问题,提出了一种基于深度学习的均值标准差曲线特征描述方法。首先,在点特征描述网络（L2-Net）的基础上,引入空洞卷积并增加网络深度,搭建用于生成曲线描述子的全卷积神经网络。然后,使用大规模曲线数据集,在改进的网络中进行训练,生成均值标准差曲线描述子。最后,通过图像匹配实验,对描述子的质量进行评估。实验结果表明,本文所提的均值标准差曲线描述子优于传统的手工设计曲线描述子。（3）基于通道注意力网络的曲线特征描述方法。为进一步提高特征提取网络模型的泛化能力和曲线描述子的质量,引入通道注意力机制优化特征提取网络,使网络模型能够更加关注输入图像中曲线特征对应的关键区域,提高网络模型对曲线及其周围纹理信息的分辨能力,从而生成鲁棒性更高的曲线特征描述子。实验结果表明,网络模型的性能和曲线描述子的质量得到了进一步提高。图34幅,表13个,参考文献92篇。