图像匹配技术是用来匹配两个或多个经过平移、旋转或翻折等变换的图像。目前,人脸识别技术、图像去燥、人体姿态识别等技术已经广泛应用于我们的生活,而这些技术的发展都是基于图像匹配技术。可见图像匹配技术是许多图像编辑或处理的基础,有着重要的研究意义及实用价值。本文对图像匹配算法进行了研究,主要的研究内容为基于Siamese网络的图像匹配算法。本文的主要研究内容如下:首先,分析并介绍了基于卷积神经网络的图像匹配算法的原理。相比于传统的图像匹配算法,基于卷积神经网络的图像匹配算法表现出更好的性能。其次,对数据集进行了预处理,将原数据集中的图像进行水平翻转、垂直翻转、90度、180度、270度旋转,图像数量扩增至原来的6倍。另外,根据像素域中提取的图像特征与变换域中提取的图像特征在很大程度上存在互补性。因此,利用离散余弦变换从变换域中提取到图像特征,再将提取后的特征输入到卷积神经网络,从而实现像素域与变换域的特征融合。然后,利用金字塔残差模块实现卷积神经网络尺度上的不变性。金字塔残差模块丰富了图像细节特征的提取,提高了图像的匹配精度。针对上述的改进方法对模型进行了搭建和训练,实验证明本文提出的算法在基于双通道的网络结构上是最好的,实验结果在Brown数据集上进行了测试,评分为3.65,优于原始的模型。最后,对改进后的Siamese网络结构进行优化,分别加入了批归一化层和深度可分离卷积。并对两种优化方法进行了对比实验,实验证明批归一化层的加入,加速了网络的收敛,网络的训练速度提高至原来的2倍。同时算法的匹配精度提高,评分为3.36。另外,利用深度可分离卷积代替了传统的卷积方式,降低了网络的参数量,优化了网络的整体结构。实验证明在算法精度略微降低的前提下,下降了网络的整体参数量。