图像匹配通过特征检测和描述,寻找不同图像的相同区域,从而完成识别、配准和检索等任务。本文主要针对无人机视觉导航任务,传统图像匹配方法SIFT在困难条件下（如图像模糊）匹配性能不足等问题开展研究。考虑到基于卷积神经网络（CNN）的学习型描述子具有更大的描述区域以及对困难条件的强适应能力,与SIFT手工设计描述子性能互补。本文基于传统和深度特征相结合的SIFT-HardNet方法,针对SIFT-HardNet缺乏尺度不变性和旋转不变性,以及HardNet浮点描述子计算速度慢等问题,进行了以下研究工作:（1）提出了两种为HardNet网络增加尺度不变性的方法。第一种是结合SIFT高斯差分（DOG）金字塔的方法,简称DOG+SIFT-HardNet。该方法通过DOG尺度特征计算输入HardNet图像块的大小,进而使HardNet有效描述图像的尺度。实验结果表明,DOG+SIFT-HardNet获得了与SIFT一样的尺度不变性,且匹配性能优于SIFT。第二种是HardNet多尺度数据集增广方法。以航拍图像为采样对象,制作了不同尺度的正负样本集,并提出基于坐标距离和响应值的特征点筛选方法,去除了冗余特征点,保证了样本集的互异性。实验结果表明,增广数据集方法增强了 HardNet对尺度变化的适应性。（2）提出了两种增加HardNet网络旋转不变性的方法。一是结合SIFT旋转角的方法,简称rotation+SIFT-HardNet。该方法根据旋转角特征对HardNet输入图像块先旋转再截取。实验结果表明,rotation+SIFT-HardNet获得了旋转不变性,其匹配性能优于SIFT。二是HardNet数据集的多旋转角增广方法,制作了具有旋转关系的正负样本集。实验结果表明,多旋转角增广数据集训练的HardNet对旋转变化具有更好的适应能力。另外,提出了将尺度不变性和旋转不变性结合的DOG+Rot+SIFT-HardNet方法和多尺度多旋转角数据集增广方法。实验结果表明,结合方法同时增强了尺度不变性和旋转不变性。（3）提出了两种HardNet浮点型描述子的二进制量化方法。第一种是128维二进制中值量化方法。以中值为分界值,将浮点型描述子量化为‘0’或‘1’。第二种是256维二进制三分位点量化方法。以三分位点为分界点,将浮点型描述子按照大小量化为“00”、“01”或“11”。实验结果表明,256维二进制描述子的正确率与浮点型描述子最为接近（仅低1.69%）,速度则提升4.17倍;128维二进制描述子的正确率较低,但匹配速度最高,可达到浮点型描述子的4.41倍。因此,256维二进制描述子是既保证匹配精度又提高匹配速度的有效方案。