在计算机视觉任务中图像处理技术是其核心技术,图像处理技术中以图像的特征检测与匹配为关键技术环节,在众多的领域中发挥着关键性的作用,例如目标识别、图像融合、图像拼接、三维重建、目标跟踪、视觉定位等等。图像处理技术的长足进步,促使研究者将对象从一般的自然目标过度到更加复杂与未知的宇宙对象中。随着登月的成功和卫星技术的发展,月球表面的特征检测与定位引起了研究者的高度兴趣,本文以月球表面图像为研究对象进行图像的特征检测与匹配算法的研究。论文的创新点主要在于,提出了基于深度学习的月球表面特征匹配算法,使得其在不同的环境下的匹配精度有所有提高。具体的研究工作如下:（1）在研究传统图像特征匹配理论的基础上,采用传统的SIFT（scale-invariant feature transform）特征匹配算法进行月球表面图像的特征匹配,主要分为特征点的检测、特征点的描述以及特征点的匹配三个部分,其中特征点的检测是算法的核心部分,分为尺度空间极值点检测、特征点精确定位、特征点方向确定。实验验证SIFT匹配算法在尺度变化、光照变化、旋转变化方面都有很好的稳定性,但是在一定程度上会出现误匹配、重复匹配等问题。（2）将深度学习运用到图像匹配领域,提出一种自监督学习的特征点匹配算法,算法基于Super Point网络,利用自渲染的方式进行图像训练数据的生成,结合同形适应技术增加训练数据集的多样性,更好地改进传统算法实现复杂、精度不高、实时性差的弊端。实验表明,基于学习的方式进行特征匹配在复杂多变的环境中,匹配效果更好,对环境的变化其匹配的效果较好。（3）结合迁移学习（蒸馏）的方式,提出基于多任务学习的图像特征点匹配算法,引入六自由度视觉定位的检测方式,采用大规模的本地分层化并结合轻量级网络进行特征点的检测与描述,利用局部与全局描述子协同对特征点进行描述,实现更精确更有效的特征点描述,并结合Super Point网络的特征点检测子网络,采用教师网络的多任务蒸馏的方式,进行多任务同步学习,实现更精确的、更有效的特征匹配。通过月球表面图像进行实验以及数据分析,证明其在尺度变换、旋转变化、光照变换上有着更显著的效果。