针对现有跨视角地理定位方法中视点不变特征与视角转换方法割裂导致的性能提升瓶颈问题，提出多任务联合学习模型（MJLM）。MJLM由前置图像生成模型和后置图像检索模型组成。前置生成模型首先使用逆透视映射（IPM）进行坐标变换，显式地弥合空间域差，使投影图像与真实卫星图的空间几何特征大致相同；然后通过提出的跨视角生成对抗网络（CVGAN）隐式地对图像内容及纹理进行细粒度的匹配和修复，并合成出更平滑且真实的卫星图像。后置检索模型由多视角多监督网络（MMNet）构成，能够兼顾多尺度特征和多监督学习的图像检索任务。在University-1652（无人机定位数据集）上进行实验，结果显示MJLM对无人机（UAV）定位任务的平均精确率（AP）及召回率（R@1）分别达到89.22%和87.54%，与LPN （Local Pattern Network）和MSBA （MultiScale Block Attention）相比，MJLM在R@1上分别提升了15.29%和1.07%。可见，MJLM能在一个聚合框架体系内联合处理跨视角图像生成任务及检索任务，实现基于视角转换与视点不变特征方法的融合，有效提升跨视角地理定位的精度和鲁棒性，验证UAV定位的可行性。

针对现有跨视角图像匹配算法精度低的问题，提出了一种基于多视角多监督网络（MMNet）的无人机（UAV）定位方法。首先，所提方法融合卫星视角和UAV视角，在统一的网络架构下学习全局和局部特征并以多监督方式训练分类网络并执行度量任务。具体来说，MMNet主要采用了重加权正则化三元组损失（RRT）学习全局特征，该损失利用重加权和距离正则化加权策略来解决多视角样本不平衡以及特征空间结构紊乱的问题。同时，为了关注目标地点中心建筑的上下文信息，MMNet对特征图进行方形环切割来获取局部特征。然后，分别用交叉熵损失和RRT执行分类和度量任务。最终，使用加权策略聚合全局和局部特征来表征目标地点图像。通过在当前流行的UAV数据集University-1652上进行实验，可知MMNet在UAV定位任务的召回率Recall@1 （R@1）及平均精准率（AP）上分别达到83.97%和86.96%。实验结果表明，相较于LCM、SFPN等方法，MMNet显著提升了跨视角图像的匹配精度，进而增强了UAV图像定位的实用性。