Debido a la gran diferencia entre las condiciones normales y las imágenes de carreteras dañadas, la geolocalización en áreas dañadas a menudo falla debido a la oclusión o daño a edificios y señalización icónica en la imagen. Con el fin de estudiar la influencia de las condiciones de daño de edificios y puntos de referencia posteriores a la guerra en los resultados de geolocalización de algoritmos de localización, y mejorar el efecto de geolocalización de dichos algoritmos bajo condiciones dañadas, este documento utilizó imágenes de referencia informativas y selección de puntos clave. Apuntando a los efectos negativos de la oclusión y el daño de edificios emblemáticos en el proceso de recuperación, se propone un método de recuperación llamado puntos de características de aprendizaje profundo basados en confiabilidad y repetibilidad. Para verificar la efectividad del algoritmo anterior, este documento construyó un conjunto de datos que consiste en parques urbanos, rurales y tecnológicos y otros segmentos de carreteras como un conjunto de entrenamiento para generar una base de datos. Consta de 11,896 imágenes de referencia. Considerando el costo de los puntos de referencia dañados, se utiliza un método generado artificialmente para construir imágenes de puntos de referencia dañados con diferentes ratios de daño como un conjunto de pruebas. Los experimentos muestran que el método de optimización de la base de datos puede comprimir efectivamente la capacidad de almacenamiento del índice de características y también puede acelerar la velocidad de posicionamiento sin afectar la tasa de precisión. El método de recuperación de imágenes propuesto optimiza los puntos de características e índices de características para hacerlos confiables contra terrenos e imágenes dañadas. El algoritmo mejorado mejoró la precisión de la geolocalización para carreteras dañadas, y el método basado en aprendizaje profundo tiene un efecto mayor en la geolocalización de carreteras dañadas que el algoritmo tradicional. Además, demostramos plenamente la efectividad de nuestro método propuesto mediante la construcción de un conjunto de datos de imágenes de carreteras de múltiples segmentos.