无人机遥感系统具备机动灵活、快速响应、小区域探测应用等优点,是快速获取高分辨率遥感影像的重要途径之一。该技术被广泛的应用于测绘地理信息领域,尤其是应急测绘保障。但是,无人机影像较传统的卫星及航空影像变化更加复杂,使得影像匹配技术存在一定的困难,主要体现在构造描述的鲁棒性与实时性兼容能力相对较差等方面。同时,无人机影像像幅小,覆盖范围窄、影像地物类型多,使得部分影像易于出现纹理结构相似或缺乏的问题,这也为影像匹配技术增加了困难。针对无人机影像匹配难点,本文主要研究快速、鲁棒性较强的特征描述符构造方法和适用于纹理相似或缺乏影像的匹配策略。主要工作如下:1.针对现有的影像匹配描述符进行分类,分别选取有代表性的特征描述符,分析各类描述符的特点及应用优势,并进行试验验证。结果表明,现有的特征描述符难于较好的兼顾无人机影像匹配的鲁棒性与实时性。2.针对现有特征描述符的局限性,提出将基于卷积神经网络(Convolutional Neural Networks,CNN)的特征描述符学习方法应用于无人机影像匹配。结合无人机影像变化复杂的特点,提出采用多分辨率样本的三重网络训练方法。3.针对基于CNN学习特征描述符方法存在“难样本对”挖掘导致计算成本增加的问题,采用一种交换三重样本间基准样本的挖掘方法。试验结果表明,该方法获取的描述符具有较强的鲁棒性和实时性,在无人机影像匹配中应用效果较好。4.针对部分纹理相似或缺乏的无人机影像,影像特征区分性较弱,导致误匹配数量增加的问题,引入基于频率域的傅里叶梅林相位相关法计算影像间的几何参数,为影像匹配提供几何范围约束。通过试验验证,该匹配策略提高了影像匹配的数量和成功率。