现代战争中飞行武器的精确制导是对我国稳定周边安全局势，威慑潜在敌人和推行国家战略有着重要的意义。景象匹配是飞行器制导技术的重要组成部分。景象匹配的流程为在飞行器或导弹上（二者简称弹上）预置好参考图，然后根据飞行器的实时拍摄的图像和参考图匹配来辅助修正位置。　　(1).传统的参考图制备方法使用栅格数据，只能对预定的航迹点进行规划，这限制了飞行器的灵活性，同时消耗了更大的弹上存储空间。由于矢量数据储量更小、信息量更大且视点更灵活的特性，本文提出了用BSP树提前将矢量场景载入弹上，根据实时视点的姿态信息实时生成参考图的方法。该方法的时间复杂度和场景的复杂度成线性关系，而和弹目距离无关。本文提出了建立BSP树的改进方法，使建树时间缩短，三角剖分数量减少。　　(2).针对实时制备的参考图和实时图之间的风格差异巨大的问题，本文提出利用深度学习的方法将实时图风格转换到参考图风格上。基于感知损失，基于条件生成对抗网络，和基于循环一致生成对抗网络的图像风格转换方法均能实现风格转换。其中条件生成对抗网络在实时图和参考图的转换任务中更适用。　　(3).针对风格转换后的实时图与参考图匹配中误差带来的匹配正确率下降的问题，本文提出使用NCC-Siamese网络对匹配进行优化。原始的NCC-Siamese方法忽略了正确的参考位置信息，本文提出增加位置信息的改进方法，并克服了训练过程中的不收敛和特征网格现象。该方法提升了经过风格转换后实时图参考图匹配正确率，且优于原始NCC-Siamese方法。　　本文通过组织实验，证明了实时参考图制备方法的实时性，证明了生成对抗网络在实时图-参考图风格转换中的适用性，证明了改进NCC-Siamese方法对相关面优化能力的优越性。