图像匹配和融合是图像处理中的重要研究内容,它们通过综合多幅图像,可以获得信息更丰富的图像。深度学习在许多领域得到了广泛应用,并取得了极大成功,尤其是在图像处理领域。本文研究了基于深度学习的图像匹配和融合算法。文中对图像匹配和图像融合的理论基础,以及卷积神经网络和反卷积网络的理论基础做了介绍;针对特征点匹配的正确率较低的问题,对一种基于卷积神经网络的图像匹配算法进行了改进;提出了一种新的基于反卷积网络的图像融合算法。本文的主要内容如下:提出了一种改进的基于卷积神经网络的图像匹配算法。算法首先训练一个卷积神经网络,然后用它来获取图像特征点的特征描述符,最后应用特征描述符实现基于特征的图像匹配。算法在对卷积神经网络进行训练时,直接从需要匹配的图像中提取样本种子,并且采用了尺寸较小的样本种子。实验结果表明,本文改进后的基于卷积神经网络的图像匹配算法,相比于原方法,提升了图像特征点匹配的正确率,更利于图像的匹配。提出了一种基于反卷积网络的图像融合算法。算法首先训练一个反卷积网络,然后将待融合图像分别输入训练好的网络,推断得到它们的特征图,接着设计融合规则对特征图进行融合,得到融合后的特征图,最后由融合后的特征图和反卷积网络的滤波器得到融合图像。实验结果表明,本文提出的基于反卷积网络的图像融合算法,可以对多聚焦、医学以及遥感三类图像有效地融合。本文提出的改进的基于卷积神经网络的图像匹配算法,相比原方法性能更佳,而本文提出的基于反卷积网络的图像融合算法,在现有方法之外提供了一种新的融合思路。