在特征匹配算法中，深度学习方法主要有以下几种：

  1. 卷积神经网络（Convolutional Neural Networks，CNN）：CNN是一种广泛应用于图像识别与处理任务的深度学习模型。在特征匹配中，CNN可以通过学习图像的局部特征和全局特征来实现特征的匹配与比较。

  2. 循环神经网络（Recurrent Neural Networks，RNN）：RNN是一种能够建模序列数据的深度学习模型。在特征匹配中，RNN可用于处理序列数据的特征匹配任务，例如文本匹配、语音识别等。

  3. 生成对抗网络（Generative Adversarial Networks，GAN）：GAN是一种由生成网络和判别网络组成的对抗学习框架。在特征匹配中，GAN可以用于生成更有区分度的特征，从而提升匹配的准确性和鲁棒性。

  4. 迁移学习（Transfer Learning）：迁移学习是一种通过将已训练的模型参数迁移到目标任务中，从而加速目标任务学习的方法。在特征匹配中，迁移学习可以通过将在大规模数据集上预训练好的深度学习模型应用于特征匹配任务，从而获得更好的特征表达。

  5. 端到端学习（End-to-End Learning）：端到端学习是指将输入直接映射到输出的学习方法，其中包括特征提取、特征匹配等多个过程。在特征匹配中，端到端学习可以通过同时学习特征提取和特征匹配过程，实现更高效的特征匹配算法。

  以上是特征匹配中常用的几种深度学习方法，它们在提取、学习和匹配特征等方面具有优势，可在特征匹配算法中获得更好的性能。当然，针对具体的任务和应用场景，还可以结合算法的特点和需求选择适合的深度学习方法。