核磁共振（Magnetic Resonance,MR）技术已经成为了一种常用和重要的疾病检测技术,通过核磁共振医学影像,可以对身体重要器官及部位具有良好的诊断功能。同时,通过MR影像对人体的非均质柔性生物组织在不同情况下的形变状态的获得,进行柔性体内部变形场测量,计算非线性柔性生物组织的弹性模量及泊松系数等物理参数,在计算机科学研究领域具有重要的理论和实践价值。本文所研究的基于MR影像的非均质柔性体内部特征点的检测与匹配是柔性生物组织变形场测量的重要步骤之一,不仅可以应用于生物组织器官辅助诊断和分析,也可以应用于医学手术机器人等研究上。所研究的MR影像中大量均匀分布的特征点的提取与匹配技术,在图像拼接,目标的定位与跟踪,三维建模等领域也有不同程度的应用。以往图像特征多为手工特征,这些设计主要依靠设计者的先验知识,设计人员很可能忽略掉图像某些方面的特征,因此算法的好坏在很大程度上还要依靠经验和运气。目前,深度学习方法已经应用在很多医学图像处理方面,但是由于医学图像样本数据量的限制,大大降低了学习性能。针对柔性生物组织内部特征点匹配问题进行分析研究,具体内容如下所示:1)针对非线性柔性生物组织MR影像小样本问题,提出了基于迁移学习和卷积神经网络的MR图像特征点匹配方法。通过采用Siamese网络结构,结合迁移学习得到预训练的CNN模型,随后对训练后的模型进行微调提升模型性能,并使用微调后的模型获得特征点描述符,最后采用L₂计算特征点描述符的相似性。2)针对特定任务下的相似性度量问题,提出了基于度量学习的MR图像特征点匹配方法。由于数据的多样性,单一的全局度量很难适应差异化的特征,本文利用局部度量学习和全局度量学习相结合的思想,提出一种新的度量学习框架。通过两种度量学习结合训练得到合适的相似度度量标准,从而在局部度量学习时能够训练得到相似样本间的细微差距。3)结合深度学习与度量学习在图像特征表达和相似性度量方面的优点,本文提出基于深度度量学习的MR图像特征点匹配方法。该模型拟运用一种较深的、表达能力足够好的深度卷积网络提取特征信息,通过度量学习将MR图像的特征映射到具有匹配判别性的新的特征空间中,在新特征空间中计算出特征点相似度得分,由此判断出特征点是否匹配。实验结果分析表明,论文中所提出的基于深度度量学习方法,在MR图像特征点匹配中准确率较高,其性能优于使用单一的深度学习或者度量学习进行特征点描述和相似性度量方法。