当前的深度学习等表征学习方法为计算机视觉各领域提供了富有表达能力的特征,进而显著提升了相应模型的性能。但对于依赖局部特征的任务而言,此类方法生成的稠密局部特征含有大量冗余信息,这将降低整体性能和运算速度。特征点提取方法通过提取图像中少量最具表达能力的特征,在保证稳定性能的同时显著提升运算效率,因而广泛应用于各种依赖于局部特征的领域。针对现有特征点提取方法的不足,为实现高性能、无监督的特征点模型,论文开展了特征点无监督学习方法研究。论文的主要工作总结如下。阐述了特征点在实际任务中的优势,总结了人工设计的特征点提取方法和基于学习的特征点提取方法,分析了现有方法的优势与不足。介绍了基于学习的特征点提取方法的训练数据、优化目标、模型结构和优化算法。提出了特征点检测模型的无监督学习方法。该方法的优化目标由稀疏约束和重复率目标构成,可直接最大化特征点的稀疏性和重复性。针对该优化目标提出一种交替优化的求解算法,该算法具备良好的收敛性和收敛速度。在实验中,使用全卷积神经网络实现特征点检测模型,称为稀疏可重复网络。经多个图像匹配数据集的验证,稀疏可重复网络与多个现有描述器的组合超越了原始组合的性能。进一步的实验表明,稀疏可重复网络的泛化能力来源于其稀疏性和重复性所构成的优化目标。对上述特征点检测方法进行扩展,提出了特征点检测和描述模型的无监督学习框架。该框架的优化目标为最大化特征点性质的联合概率分布,所有可被形式化为概率表述的性质均可被纳入该优化目标,论文选择稀疏性、重复性和判别性等三个性质实现该目标函数。该框架的优化算法为期望最大化算法,论文通过近似求解,显著提升了训练效率。在实验中,使用全卷积神经网络实现检测模型和描述模型,称为性质网络。多个图像匹配数据集上的实验结果表明,性质网络的总体性能超越了现有的特征点提取方法。