图像匹配是计算机视觉中的经典问题,可广泛地应用于基于视觉的导航系统中。面向成像制导的图像匹配主要研究如何在大尺寸的参考图像中计算出小尺寸的实时图像的位置坐标。复杂的成像环境往往导致实时图像带有一定程度的模糊退化,这给图像匹配带来了挑战。本文针对模糊图像的匹配问题,提出了三种模糊图像匹配算法。与先复原再匹配的传统模糊图像匹配算法不同,图像复原与匹配一体化算法在利用复原结果提升匹配性能的同时,也利用匹配结果作为先验信息以提升复原质量,二者在交替迭代中相互促进。其中,基于距离加权稀疏表示的算法JRM-DSR具有不错的匹配精度,但是其存在效率低下的问题。因此,本文提出了基于层级稀疏表示的图像复原与匹配一体化算法JRM-HSR。该算法利用PCA和K-means对字典进行聚类,生成尺寸远小于原字典的两层字典分别负责粗匹配与精匹配,在保证优秀性能的同时有效解决了时间效率问题。当实时图像的模糊程度较高时,JRM-HSR的匹配性能出现了较严重的下降。为此,本文提出了基于模糊不变特征度量网络的图像匹配算法BINet。该算法基于度量学习策略,训练得到一个能够提取模糊不变特征的网络。利用该特征进行匹配,BINet在较大程度的模糊下的匹配性能大幅领先传统算法。BINet虽然有不错的抗模糊鲁棒性,但其需要通过CNN对众多高度重叠的候选图像计算特征,存在计算冗余的缺点。针对此问题,本文提出了基于孪生网络的模糊图像匹配网络BMNet,其引入互相关信息与目标检测的思想,通过多任务学习,在无需对参考图像进行提前准备的情况下,实现了更精准、高效的端到端匹配。针对模糊图像匹配问题,本文提出了三种不同的模糊图像匹配算法,展现了优秀的匹配性能、算法效率与算法鲁棒性,具有重要的实用意义。