无人机自主导航技术通常以GPS定位为主要手段精准获取位置信息,被广泛应用于交通、国防建设、抗灾救援等多个领域。而下视景象匹配技术可以在GPS信号弱或受到干扰时对无人机进行自主定位,以保障无人机的安全。传统的下视景象匹配方法受制于机载硬件性能的限制,仅能通过提取图像的低维特征进行匹配,匹配精度受限,且无法适应低信息量、低稳定性以及具有重复模式的匹配区域。而深度学习优秀的特征提取能力能够一定程度弥补传统方法的不足,且随着机载低功耗GPU技术的成熟,深度学习技术的落地也成为可能。因此,将深度学习引入下视景象匹配任务具有重要且实际的意义。本文围绕基于深度学习的异源景象匹配任务展开相关研究,主要研究内容如下:针对真实可见光-红外图像数据集匮乏的问题,本文从两方面进行研究。首先,本文提出以图像降质的方法,来模拟生成批量的成对可见光-红外图像,解决了真实场景下同视角的可见光和红外图像采集难的问题;随后,本文从有限数量的原始保障图像出发,提出了针对不同尺寸、不同适配区选取标准和不同加噪程度的可见光-红外图像数据集生成方法,为本文后续实验提供了不同层面的数据支持。针对异源图像之间成像原理和特征空间不同的问题,本文提出了基于风格转换的异源图像转换方法,通过将可见光与红外图像转换到同一特征空间,使异源图像匹配近似转化为同源图像匹配任务。针对传统特征提取方式中特征维度较低的问题,本文提出了基于自动编码器的深层特征提取方法,实现了对图像深层特征的独立提取,为图像深层特征在景象匹配任务中的灵活应用奠定了基础。针对传统景象匹配方法流程和匹配效果的局限性,本文提出了两种不同的匹配方法和模型。首先,本文提出了一种ROI的多级匹配方法,并以此提出了基于深度学习特征的ROI异源景象匹配模型,该模型通过对Anchors思想进行改进,实现了从异源图像深层特征的关联矩阵到基准图ROI区域的映射,在保证较高ROI框选正确率的同时,极大缩减了匹配区域,并提升了匹配效果。除此之外,本文还提出了一种基于深度学习的端到端异源景象匹配模型,其通过构建逆卷积网络、优化真实结果对网络的惩罚力度,实现了对实时图位置的精准预测,提升了模型的适配范围。本文将上述算法和模型与传统匹配方法进行大量对比验证,实验结果分析表明本文模型具有更好的匹配质量和匹配精度,且具有更广的适配范围,有很强的实用价值,且已在实际工程中得到应用。