图像匹配作为图像处理领域的关键技术之一,近年来,随着科技水平的飞速发展,图像匹配技术不断的被应用到机器人自主导航、单双目视觉、遥感定位、图像拼接等诸多领域。在多目标环境中,由于外界纹理丰富,导致传统匹配算法精度下降严重,直接影响了基于特征点匹配的定位精度,因此对匹配精度提出了极高的要求。为了提高多目标环境中的匹配精度,以深度学习为基础,提出了一种去误匹配算法,整个算法过程包括粗匹配和精匹配两个过程。粗匹配通过Yolov3目标检测算法识别多目标图像中的目标,得到若干预测框和标签信息,将标签不一样但是匹配成功的匹配对直接剔除,同时剔除的还有预测框内与预测框外的匹配。精匹配是在粗匹配筛选出来的匹配对的基础上进行的。首先,将待匹配图像的特征点B绕其图像中心P进行旋转,旋转角度是特征点B与其匹配成功的特征点A之间的主方向夹角?,夹角为正,顺时针旋转,夹角为负,逆时针旋转,得到C点,然后计算匹配点A与匹配图像中心点O组成的线段OA的角度?₃,同样的计算经过旋转得到的C点与P点之间的PC线段角度?₄,计算?₃与?₄的角度差值,预设一定的角度阈值,大于角度阈值则剔除,反之保留,对粗匹配中的所有匹配对都进行以上操作,得到最终的匹配对。最后以Sift算法为基础匹配算法并基于开源视觉库OpenCV实现算法,对标准的测试集进行了仿真测试,实验结果表明,该算法多方面大幅度提高了Sift图像匹配算法的精度。