可见光图像（Visible image）与红外图像（Infrared image）匹配属于多模态图像（multimodal image）匹配,是图像匹配领域内一个重要的研究方向。由于可见光图像能够高质量记录场景的亮度变化和反射信息,红外图像可以全天时记录场景的温度分布和辐射信息,两种图像信息融合互补,可以增强人们对目标场景的感知和理解。因此,可见光与红外图像匹配技术作为图像信息融合的关键步骤,在军事情报获取、导航和制导、遥感图像融合、视频监控与目标追踪等领域受到了广泛关注。然而,与传统的单模态图像匹配相比,可见光与红外图像匹配的难点在于它们的成像机理不同,导致图像之间存在较大的灰度差异,图像的梯度信息不能提供稳定的特征,因而经典的基于梯度的图像匹配算法无法直接用于可见光与红外图像匹配任务中。而且更具有挑战的问题是,当可见光与红外图像之间存在旋转等几何变化时,如何构建两种图像之间的相似关系并获取旋转角度等信息是可见光与红外图像匹配算法成功应用的关键。为了解决上述问题,本文将工作重点集中于可见光与红外图像匹配方法的研究。本文首先分析了可见光与红外图像的特性差异和匹配难点,提出通过可见光与红外图像具有的结构相似性建立两者的匹配关系,并提出了一种用于可见光与红外图像匹配且具有旋转不变性的特征点描述算法,这也是本文的主要创新所在。该算法利用多尺度多方向的Log-Gabor滤波器提取图像中的边缘方向,并通过一定的策略构建特征点描述子。大量的实验展示了本文算法能够提高可见光与红外图像匹配的精度,验证了算法的有效性。此外,本文也研究了基于深度学习的可见光与红外图像块匹配的工作。为此,本文构造了六种不同的基于Siamese的卷积神经网络结构及其相应的损失函数,并构建了三个可见光与红外图像块数据集作为实验数据,在实验结果中本文分析各种不同网络结构的优劣,并提出了能够改进的方法。最后,本文对研究工作进行了总结,并提出下一步的研究计划和展望。