图像描述子是一种非常常用的表示图像特征信息的方法,其被广泛运用于图像分类、三维重建、稀疏匹配、稠密匹配等热门的机器视觉任务上,是目前机器视觉领域里面的一个研究热点。描述子最重要的两个特性是不变性与可区分性,目前基于深度学习的描述子算法虽然在很多任务上都超越了传统人工设计的描述子算法,但其尺度不变性的表达比较弱,不容易区分不同分辨率的图像。因此本文立足于解决深度学习方法的尺度不变性问题,借鉴其他任务中常见的多尺度特征融合的方法对已有深度学习描述子方法进行改进。人脸识别也是非常重要的一个机器视觉领域里的任务。目前常见的人脸识别算法绝大部分是基于二维平面的,其局限性在于容易受到攻击（比如用照片去欺骗人脸识别系统）以及对于相似度极高的个体（如双胞胎）识别效果较差。为了解决二维识别的局限性,研究三维人脸识别是其中一个有效的解决方案。而图像描述子是图像特征表达信息的一种常见方法,用描述子来进行三维重建是常见的一个解决方案。人脸描述子研究中最大的问题,是目前没有一个用于训练和验证的人脸描述子数据集。针对这个问题,本文制作了一个高精度的人脸描述子数据集。综合来说,本文的主要工作如下:首先,对经典的描述子生成算法进行了介绍,详细分析了基于手工设计的SIFT算法、ORB算法以及目前主流的基于学习的算法L2Net、Hard Net、D2Net等。其次,提出了一个基于多尺度特征融合的描述子生成网络MSC-Net。该算法立足于解决描述子尺度不变性的问题,做出了以下两点改进:提出了一个基于多尺度特征融合的新的网络结构;提出了一个新的基于角度和空间相似性的正则化项ASR。通过在公共数据集上与经典的基于手工设计与基于学习的描述子算法的比较,表明了所提出的算法能很好地完成描述子生成任务。本文提出的方法在测试效果上优于经典的SIFT算法及目前处于先进水平的SOSNet,具有性能提升的积极意义。此外,制作了人脸描述子数据集facepatch,填补了描述子数据集在人脸领域的空缺。本文详细地介绍了制作人脸描述子数据集的具体算法流程并在章节的最后,展示了基于人脸数据集facepatch训练出来的描述子网络运用在人脸上的稠密匹配效果,表明了该数据集在人脸识别领域具有极为积极的意义。最后,本文对人脸描述子的作用进行了探索,验证了二维人脸动作单元分析基于描述子实现的可能性,并取得了不错的实验效果。