特征点检测及描述子生成是图像研究中的重要基础内容。检测图像的特征点是许多任务必不可少的环节,如图像检索、物体识别等。优秀的图像特征点可指导提取细节信息丰富的图像特征,有利于后续任务性能的提升。检测特征点后,利用图像描述子表征局部图像信息。图像描述子向量以数字量化的形式对图像的特征进行表述,并且便于储存、传输及处理。优秀的图像描述子对图像特征具有稳健性,对如自动驾驶、三维重建等任务具有重大意义。因此,本文结合特征点检测与图像描述子向量相关原理,提出了基于无监督学习的特征点检测网络,与基于皮尔逊相关系数的描述子生成网络。综上所述,本文的主要工作如下:首先,对相关经典的特征点检测和描述子生成算法进行了介绍。详细分析了基于手工设计的Harris算法、SUSAN算法、DOG算法、HOG算法、SIFT算法SURF算法以及目前以成为主流的基于学习的算法Quad-Network、Hard Net等。本文对特征点检测任务与描述子生成任务的现状勾画了大概的轮廓。其次,提出了一种新的特征点检测网络。该网络基于无监督学习的方式,利用随机采样的非仿射变换生成训练数据的真实标注,以训练网络对相应变换获得其特征不变性。同时,该网络利用随机仿射变换进行数据增广以避免训练过拟合。此外,所提出的网络使用差分卷积核提取图像特征,所生成的差分响应图具有细节信息更丰富的特点。在相关数据集上与经典的算法进行了比较,实验结果表明所提出的网络的计算时间更短、检测性能得到了优化与提升。最后,提出了一种新的描述子生成网络。该网络使用了新的训练方式,并利用皮尔逊相关系数衡量描述子向量之间的相关性,生成了性能更好的图像描述子向量。通过在Brown数据集上与经典的基于手工设计与基于学习的描述子算法的比较,表明了所提出的网络能很好地完成描述子生成任务。本文提出的方法在测试效果上优于经典的SIFT算法及目前处于先进水平的L2Net与HardNet,具有性能提升的积极意义。