图像匹配定位技术在视觉导航系统中有着重要的应用,主要研究实时图像在参考图像中的精确位置的问题,其中实时图和参考图是在同一场景不同条件下拍摄的。但实际场景中,受复杂成像环境影响(如高斯模糊),获得的图像不可避免的存在退化问题,给匹配定位的精度造成了极大影响。而现有技术大都假设成像环境理想,因此,研究更为高效的模糊图像的匹配定位技术以提升匹配定位精度,具有极为重要的意义。本文以高斯模糊图像匹配定位算法为研究对象,提出从模糊图像复原和图像匹配定位两方面入手,探索复原和匹配定位的关系,提出了两种先复原后匹配定位的两阶段法和一种复原匹配一体化方法。针对模糊图像导致匹配定位精度下降的问题,首先提出利用深度生成对抗网络盲复原高斯模糊图像的匹配定位两阶段法。该方法中,利用深度学习方法,参考多尺度去运动模糊网络搭建单尺度深度生成对抗网络用于盲复原高斯模糊图像,再利用稀疏表达方法进行匹配定位。该方法针对这两个任务虽然都取得了很好的结果,但是针对重复结构多的复杂场景,复原图像质量要求更高。因此,进一步地,引入模糊图像的边缘图,提出利用边缘先验盲复原高斯模糊图像的匹配定位两阶段法。将模糊图像边缘图与模糊图、模糊图对应的清晰图一起训练,基于单尺度深度生成对抗网络搭建了基于边缘先验的多尺度网络。图像复原质量和匹配定位精度有明显提升。两阶段方案中复原和匹配任务单独依次进行,没有实现多任务一体化输出,同时定位的结果在复原过程中没有发挥作用。针对这些问题,本论文提出基于距离加权稀疏表达的图像复原与匹配一体化方法。将定位结果作为先验信息来促进复原图像质量的提升,同时高质量的复原图像能进一步促进定位精度提升,两者相互迭代促进。通过提出距离约束算子约束稀疏表达提升定位精度,通过粗到细的策略同时获得高效定位速度和高精度的定位结果。基于本方法,实现了模糊图像复原和匹配定位的多任务一体化输出。基于以上研究,提出的三种模糊图像匹配定位技术,鲁棒性强,在实现高精度的匹配定位结果的同时,对实时图像进行了有效复原,具有重要的实用意义。