随着对地观测技术的发展和多源遥感数据获取能力的提高，综合协同处理多源数据的能力需求推动多模态遥感影像的匹配技术研究不断深入，近年来基于深度学习的思想深刻影响了影像匹配领域技术的发展。本文在介绍传统遥感影像匹配框架的基础上，分析了多模态遥感影像的类型、特点与匹配难点，重点论述了针对多模态遥感影像不同深度学习方法研究的新进展，并分析了其优缺点，归纳总结了目前适应多模态遥感影像匹配任务的数据集，对深度学习方法在多模态遥感影像匹配中的发展成果和当前挑战进行了总结。成果方面，该领域算法在高效、鲁棒和精度上显著提升，多模态融合策略和多种创新框架与模型推动了研究发展并反映了该领域从模块化适配到整体建模的转变，揭示了数据驱动的表征学习与几何推理的更深度融合。但当前研究仍存在显著瓶颈，多模态差异方面，异构性严重制约匹配效能，模型泛化能力不足；数据与计算层面，高质量标注数据稀缺、计算资源需求大；工程部署层面，算法实战能力欠缺，误匹配剔除困难，模型在混合模态数据处理中泛化性差。【展望】最后对多模态遥感影像深度学习匹配方法领域的发展趋势与未来展望进行了深入探讨，包括模态无关的设计、物理信息约束的网络架构以及适应复杂环境的轻量化方案等。

　　近年来，国内外众多机构和学者聚焦多模态遥感影像匹配领域，诸多技术方法研究不断涌现，其中已有许多研究尝试将深度学习应用于遥感影像匹配等领域,目前多模态遥感影像匹配领域的深度学习技术方法正处于迅速发展、新的理论与实践层出不穷的开放式发展阶段 [9] 。

　　图像匹配是将不同传感器在不同时间或从不同视角捕获的2个或更多个图像通过几何变换方式进行空间位置对齐的方法和过程，通常意义上，包括以下4个步骤：特征提取、特征匹配、变换模型参数估计和图像重采样。在摄影测量与遥感产品自动化生产中，影像匹配是遥感影像的九游体育官方网站拼接、融合、变化检测等任务的必要前置工作，对于影像定位与检索可以发挥重要作用，在目标识别、立体匹配、环境监测等遥感影像信息解译和数据生产过程中也必不可少。

　　多模态遥感影像涵盖多种类型如图1所示。其数据来源多样，如光学影像、合成孔径雷达（SAR）影像、矢量地图、深度图、夜光影像等。以上分类通常是以不同传感器、不同成像机制、不同时期、不同环境等要素来界定的，如图2是以光学图像为对照基础的典型多模态遥感影像匹配类型的示例。影像可由近景摄影平台、航空平台（包括无人机）、卫星平台等不同平台获取，形成多平台数据。关于时相差异，随着时间的改变，地表覆盖信息也会随之发生变化，例如四季变化、长时序监测以及昼夜不同时段的影像，其地物特征和光谱信息有所不同。关于几何畸变，主要是由于不同的成像方式和成像条件导致地物目标出现不同形式的几何变形，从物镜畸变到投影误差、倾斜误差，几何畸变的影响形式最为复杂。关于视角差异，主要是针对拍摄角度显著倾斜时由于视野范围不同导致的场景差别，影像的多视角特征的匹配也日益成为各类自动化任务中关心的问题。关于尺度差异，实际工程应用中，多源遥感数据的融合不可避免地面对不同分辨率影像间存在的尺度差异，而过大的尺度差异会显著影响匹配的效果。不同传感器影像在成像原理、辐射特性等方面存在差异，例如光学影像受光照条件影响大，SAR影像存在透视收缩、顶底位移、阴影、斑点噪声等现象，影像受地形起伏和地物后向散射特性影响，导致影像间存在辐射差异。这些特性使得多模态遥感影像在提供丰富信息的同时，也给影像匹配带来诸多挑战。

　　本文总结了多模态遥感影像匹配中的特点难点，在分析传统影像匹配方法框架的基础上，重点分析了多模态遥感影像中不同深度学习方法研究的新进展、新方向，并分析了其优缺点。简要总结了当前的支撑多模态遥感影像匹配的数据资源，阐述了目前的成果与挑战，展望了未来的研究重点。目前，基于深度学习的遥感影像匹配方法的发展思路和体系结构仍不成熟，处于快速发展完善的阶段。当前研究成果表明该方法的能力和潜力都代表着高精度、实时性、强鲁棒性的发展方向，相信未来基于深度学习的方法会成为解决多模态遥感影像匹配的重要解决方法。

　　基于数据驱动的思想的显著优势在目前的研究中已经转化产生了若干优秀成果，传统方法的人工成本、低适用性等问题得到了关键性的突破，但目前基于深度学习的多模态影像匹配仍然面临诸多的问题，多模态遥感影像复杂的几何畸变、非线性辐射畸变和成像机理上的区别仍然是匹配算法的核心挑战，深度学习方法面临着数据与计算资源的限制、应对复杂模态条件下的泛化能力仍有待提升。