飞行器景象匹配精确制导技术在提升制导精度方面具有重要意义,国内外为此投入了大量研发经费,其两个关键技术景象匹配算法与基准图适配区选取在异源匹配背景下更加具有挑战性。鉴于现有深度学习的景象匹配与基准图适配区选取方法都存在一定的局限性,有针对性地进一步深入研究有助于景象匹配精确制导性能的提升。为此,本文对现有景象匹配与基准图适配区选取方法中存在的不足与局限性进行了深入分析与总结,明确了结构信息抵抗异源影像非线性强度差异的有效性,同时分析深度网络提取的深层特征与传统适配性参数指标的关系,从细化结构特征和多模态信息融合的角度出发,研究如何更充分地利用影像特征信息提升景象匹配与适配区选取性能。研究内容与成果如下:（1）构建了多尺度卷积梯度特征表达的异源景象匹配框架。该方法构建了一种浅层伪孪生网络,以多尺度的方式对多方向梯度特征进行卷积,得到一种名为多尺度卷积梯度特征的深层次结构特征描述符,可以有效地处理SAR和光学影像间的非线性强度差异。实验表明,该方法可以在一定程度上克服深度神经网络依赖海量训练样本求解模型参数的局限性,并能克服传统手工结构特征受限于影像结构信息丰富度的问题,取得了令人满意的匹配效果和计算效率。（2）提出了多模态信息融合的基准图适配区选取方法。该方法构建了一种双分支多模态信息融合网络,网络包含两个并行的通道,通道一将浅层适配性参数指标视为对影像的语言描述,利用自然语言处理网络提取深度适配性参数指标向量,通道二利用深度网络提取原始影像深层特征,最后对两种多模态信息进行融合决策以进行适配区的选取。结果表明,该方法可有效提升适配区选取性能。