随着机器视觉技术的发展,基于单目、双目和激光雷达等传感器的无人驾驶技术也逐渐受到人们关注,例如应用于激光雷达传感器的DSO SLAM(Direct Sparse Odometry Simultaneous Localization and Mapping),应用于单目或双目的ORB(Oriented FAST and Rotated BRIEF)SLAM等,其中基于双目传感器的SLAM技术应用愈发广泛,其中双目传感器通过摄取的两幅图像的特征点匹配信息,结合双目相机结构参数,通过三角化定理进行目标定位,所以匹配精度的提高对目标定位至关重要。在多目标的环境中,由于外界环境干扰或图像纹理较为丰富,目标的匹配精度会有所下降,匹配精度会直接影响基于特征点匹配的SLAM算法定位精度,特征匹配也是许多计算机视觉问题的基础,随着深度学习的发展,结合深度学习提高特征点匹配精度是有研究价值的方向。目前主流的匹配方法有结合随机抽样的SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)和ORB等,随机抽样迭代次数较高,计算量较大,对算法抽样次数不好设定等难题。为了获得图像中识别目标的高精度的匹配信息,随着深度学习的极大发展,本文对基于卷积神经网络的去除误匹配方法进行了研究。基于Image Net数据库训练卷积神经网络,对神经元激励,通过权值共享减少计算量,并通过梯度下降等方法进行参数调整。基于区域推荐网络对目标进行识别,并对目标进行逐像素的卷积处理,获得目标像素级别的切割信息。最后对双目数据集匹配进行去误匹配,对匹配区域进行已获取的识别标签信息匹配判定,若标签信息得到匹配,则保留目标轮廓区域内的匹配点。这样的匹配方法具有较好的鲁棒性,经仿真测试也得到了较好的印证。完成的主要工作包括:1、简单介绍了机器学习、无人驾驶和特征点匹配的研究意义以及国内外的研究进展。2、研究了几种典型特征点的匹配,包括算法具有的尺度不变性、方向不变型和而抗噪能力等的算法原理。并且分析了它们之间的优劣。3、对卷积神经网络的基本结构、传播方法、训练、以及基于卷积神经网络的典型算法进行仔细研究。4、为了提高多目标图像ORB匹配正确率,提出一种基于卷积神经网络ORB匹配方法,该算法首先通过Faster R-CNN方法对图像进行识别,运用区域推荐网络得到矩形框标注的感兴趣区域和类别标签,该步骤可以得到感兴趣区域的预测类别和坐标信息,并且通过全卷积网络卷积层进行像素级别校正,得到像素级别的目标所属类别,然后进行目标分割。最后在原有ORB特征点匹配基础上,剔除两幅图像中相同目标分割区域以外的误匹配点。5、为了验证该方法的有效性,对传统ORB匹配与基于本文方法的ORB匹配进行了仿真实验,并对实验数据进行分析。