图像配准是将参考图像和待配准图像转换到同一坐标系下的过程,它广泛应用于全景图像拼接、图像融合等领域。异源图像配准除了传统图像配准面临的光照变化、几何变化等难点外,还有传感器成像机理不同导致的像素级特征的显著差异。因此,异源图像配准相比同源图像配准具有更大挑战。针对异源图像配准问题,本文基于深度学习技术提出了三种配准方法。这三种方法均利用卷积网络对以特征点为中心的图像块学习不变性特征。具体内容如下:(1)为了学习异源图像块之间鲁棒的共享特征,本章提出了渐进式融合的特征判别(SCFDM)模型。SCFDM模型中的渐进式融合特征网络在保持异源图像低级特征特异性的同时,能够逐渐融合高级特征以得到更有效的异源图像语义特征;其中,特征判别网络可以使特征网络更好的提取异源图像块的共享特征,并防止模型过拟合;度量网络则计算所提取特征的相似性,从而判断输入图像块的匹配程度。实验结果表明,SCFDM模型不仅在图像块匹配任务上取得了明显优势,还能成功应用于异源图像配准。(2)借鉴L2-Net良好的泛化性能,本章提出了基于改进L2-Net模型的异源图像配准方法。本方法在L2-Net模型的基础上,提出了对称损失来约束模型提取成对异源图像的共享特征,不仅明显提升了模型的鲁棒性,还大大提升了训练效率;针对L2-Net中log-likelihood损失函数的不合理性,提出了自适应交叉熵损失函数,进一步提升了模型的匹配性能。该方法无论是在匹配性能上还是在配准精度上均超越L2-Net。(3)为了进一步提升配准精度,本章为匹配模型提出了一个SoftReg损失。该损失依据图像块不同重叠程度来产生相应损失。另外,针对困难样本学习,本方法结合对称损失提出了均衡困难样本挖掘策略。实验结果表明,在VIS-NIR数据集上训练好的匹配模型可直接应用于光与近红外图像、光与SAR图像以及光和激光雷达图像等异源数据之中,并能够达到亚像素级配准。