图像特征点提取与匹配包含关键点检测、局部描述子提取和特征点匹配这三个步骤，旨在估计两张含有共同可见区域的图像之间的点对应关系，是通过运动恢复结构、视觉定位和同时定位与建图等三维计算机视觉任务的重要基础，在服务机器人、自动驾驶、增强现实和智慧城市等新兴产业中具有广泛而重要的应用价值。近年来，图像特征点提取与匹配方法在深度学习的推动下取得了显著进展，但是在复杂困难的场景中仍然面临诸多问题。首先，当前最佳的基于深度学习的关键点检测方法未充分考虑关键点的匹配可靠性，易于从独特性较弱的区域中提取出难以被正确匹配的关键点。其次，当前最佳的基于深度学习的特征点提取方法未充分合理约束特征点的位置，也未充分考虑局部描述子与关键点的适配性，从而降低了特征点的匹配精度。而且，现有的特征点提取网络倾向于模糊特征点，难以精准地提取可靠的特征点。此外，现有的特征点提取与匹配方法对剧烈图像尺度变化不鲁棒。针对这些问题，本文从传统特征点提取方法中剖析出针对性的先验知识，并利用这些宝贵的先验知识引导和约束特征点的学习、提取与匹配过程，提出了系统性的更加准确鲁棒的特征点提取与匹配方法。具体地，本文的主要创新工作如下：

1. 提出了一种标注局部显著性知识的图像关键点检测学习方法。当前最佳的关键点检测学习方法主要利用基于可重复性的协变约束训练神经网络，经常检测出许多不能被可靠匹配的光滑边缘点。而传统关键点检测方法则主要检测在局部范围内显著独特的具有较高匹配可靠性的角点和斑点，且能有效抑制光滑边缘点。因此，为了研究出具有高匹配可靠性的基于深度学习的关键点检测方法，首先提出了一种通用局部显著性测量方法，挖掘出传统关键点检测方法中蕴含的局部显著性知识。其次，提出了局部显著结构保持损失函数，合理地融合局部显著性知识和协变约束，从而训练得到了一个可重复性高且匹配可靠性高的关键点检测网络。在含有剧烈光照和视角变化的多种不同场景中的实验结果表明，所提方法的可重复性和匹配准确率高于已有的关键点检测方法。

2. 提出了一种协变尖峰约束引导的图像特征点提取学习方法。当前最佳的基于协变约束的关键点检测学习方法仍然易于检测出不准确不可靠的关键点。其原因是，当前最佳的协变约束损失函数未合理约束局部关键点概率图中的概率分布形状。针对该问题，提出了协变尖峰约束损失函数，以一种可微的采样方式同时约束局部关键点概率图中的概率分布期望和形状，不仅提升了关键点的位置精度，还遵循了传统关键点检测方法中抑制不可靠边缘点的思想。此外，充分考虑了局部描述子与关键点的适配性，提出了条件神经重投影误差损失函数，在训练过程中模拟特征点匹配过程，高效地约束网络针对自身检测出的关键点优化局部描述子。在多个具有挑战性的数据集上的实验结果表明，与已有方法相比，由所提方法训练得到的特征点提取网络取得了更高的匹配精度。

3. 提出了一种局部显著性扩散引导的图像特征点提取网络。现有的基于深度学习的特征点提取方法主要采用普通卷积层确定特征点的位置。然而，普通卷积层倾向于平滑和模糊图像中的特征点，从而降低了特征点的位置精度和可重复性。针对该问题，提出了基于局部显著性的扩散模块。该模块模拟了传统图像处理方法中的非线性扩散过程，并利用传统特征点提取方法蕴含的局部显著性知识控制该扩散过程，从而增强了特征点在网络提取出的特征图中的显著性，进而提升了特征点的位置精度和可重复性。此外，还提出了一种基于局部描述子可靠性的特征点筛选方法，依据训练过程中的特征点匹配结果识别可靠特征点，并训练网络自主滤除具有不可靠局部描述子的特征点。本文利用所提模块设计了一种特征点提取网络，并用所提方法训练该网络。实验结果表明，所提网络在多个困难的数据集上取得了当前最佳的匹配精度。

4. 提出了一种感知共视区域的对尺度变化鲁棒的图像特征点匹配方法。当两张图像之间存在剧烈尺度变化时，现有的图像特征点提取与匹配方法难以为视觉任务估计出足够数量的正确点对应。本文依据传统特征点提取方法的数学原理分析该问题的成因，从而提出了一种感知尺度差异的图像特征点匹配方法。该方法以尺度比值量化两张图像之间的尺度差异。在提取特征点之前，该方法先估计两张图像之间的尺度比值，再依据尺度比值对图像作尺度变换，从而显著减小了两张图像之间的尺度差异，进而大幅提升了正确点对应数量。为了准确估计尺度比值，本文提出了一个基于共视注意力机制的匹配增强模块，并利用该模块设计了一种尺度比值估计网络。该模块使网络更加关注两张图像中共同可见区域的信息，并抑制其他区域的干扰，从而提升了尺度比值估计精度。在多个场景中的实验结果表明，在剧烈尺度变化情况下，所提方法显著提升了现有特征点提取与匹配方法的匹配精度。