图像匹配是计算机视觉中的一个重要研究方向,现有的数字图像匹配方法大致可以分为两种:第一种是基于灰度信息的匹配方法,第二种是基于特征的匹配方法。基于特征的匹配方法一直是计算机视觉领域中很多应用的关键技术,包含点匹配、线匹配等。在基于特征的图像匹配中,线特征比点特征包含更多的结构信息,并且在人造对象和环境（例如城市建筑物和道路）中,线特征大量存在。但由于提取的直线经常出现断裂、不完整等情况,与点特征描述方法相比,线特征描述方法进展缓慢。传统经验驱动的手工设计方法由于参数确定困难、设计思路受研究人员对事物的认知限制等原因,其性能进入瓶颈期,而且针对复杂条件下的图像匹配问题,这类方法往往无法取得令人满意的结果。借助深度学习强大的建模和表征能力,点特征描述方法取得长足的进步。基于学习的点特征描述方法具有数据驱动的良好特性,且设计方便,为线特征描述方法提供了新的思路。鉴于点特征描述研究较为成熟,本文将点特征描述方法的思想运用到线特征描述研究中,提出通过卷积神经网络学习出具有鲁棒性的线特征描述子,创新之处体现在以下三个方面:（1）构建适用于卷积神经网络学习的大规模HPU直线数据集。通过从网上下载以及外出拍摄,收集大量的图像,将同一场景但具有不同图像变换的图像两两一组,构建大量的图像对。使用Canny算法检测图像中的直线信息,使用现有的线特征匹配算法对图像对中的直线进行匹配,经过人工挑错,获得图像对中的正确匹配直线对,对这些匹配直线对的信息进行保存,得到直线特征数据集。（2）提出基于均值标准差块学习的线特征描述方法。提取直线上所有点的支撑区域,统计这些支撑区域的均值和标准差,获得唯一表示该直线的均值和标准差图像块。将标记过的图像块输入卷积神经网络,利用网络提取图像块的特征,反向传播中通过最大化最接近正样本的匹配线和非匹配线之间的距离更新网络参数,最终输出直线特征描述子。通过计算支撑区域的统计信息,解决了直线长短不一难于统一描述的问题,同时消除了支撑区域内的冗余像素信息,提高了算法的执行效率。实验结果证明基于均值标准差块学习的线特征描述方法性能优于手工设计算法,且在尺度、视角等图像变换中的性能尤为突出。（3）提出基于局部图像块学习的线特征描述方法。首先直接提取图像中直线特征周围的邻域信息,得到直线特征的局部图像块,并利用线性插值方法将其尺寸归一化为固定大小。然后利用Hard Net的网络架构进行特征提取,同时选用三元组损失函数以及随机梯度下降对网络进行训练,更新参数,以输出所需的线特征描述子,实现可靠的线匹配。通过提取直线周围的图像信息,较好地保留了直线特征的信息。实验结果表明,基于局部图像块学习的线特征描述算法明显优于传统的手工描述子,显示了数据驱动的网络学习方法在线特征描述方面的巨大潜力。