航空图像处理是无人机导航中的热点问题,本文对航空图像检索和航空图像极线校正两部分关键技术进行了研究和实现。本文提出了基于概率推理模型的优化方法,解决了航空图像的检索和极线校正中的参数估计问题,并采用最大期望算法迭代的进行参数估计。具体研究内容如下:首先,提出了一种粗到细的快速索引方法,采用了深度卷积神经网络(Deep Convolutional Neural Network,DCNN)和局部几何约束模型。首先使用矢量量化DCNN特征描述符,并利用增强的局部敏感散列(Locality-Sensitive Hashing,LSH)技术进行快速粗粒度检索。然后对贝叶斯模型进行最大似然估计,其中潜在变量表示假定集合中的匹配为内点还是外点。并在再生核Hilbert空间中使用Tikhonov正则化器对对应关系施加非参数全局几何度量约束。其次,为了确保问题的适定性,本文提出了一种局部几何度量约束,可以保留相邻特征点之间的局部结构,并且适用于存在大量异常值的数据。通过使用期望最大化算法解决了该问题。实验表明,所提出的方法具有良好的适定性。最后,本文中展示了一种用于解决半标定情形下极线校正问题的新型极线校正方法。使用尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法对原始图像进行特征点提取和初步特征匹配。再通过基于全局和局部变换一致性的误配去除方法来获取相对精确的匹配点。最后将问题转化为最大似然估计问题。对每对对应点赋予权重,用于表示正确匹配的概率,并使用最小二乘法和期望最大化(Expectation Maximization,EM)算法来估计权重和未标定参数。实验结果表明,该方法具有高效率、高精度、图像形变小的优点。