3D技术与现代生活息息相关,变得越来越流行,它可以为用户提供任何视点和角度的交互式以及沉浸式的视觉体验,因此,高质量的3D视觉体验成为人们现代生活中不可或缺的重要部分。而深度图像作为3D内容的关键组成部分之一,在许多计算机视觉任务中起着非常重要的作用,例如自动驾驶、虚拟现实、3D建模等,它反映了深度图像采集设备与真实场景的距离信息。传统的彩色相机可以轻易的捕获纹理丰富的高分辨率（High Resolution,HR）、高质量彩色图像,由于深度传感器以及场景复杂多样性的限制,捕获的深度图像通常分辨率低,难以满足人们需求,这极大的限制了其实际的应用。我们可以通过后续的图像处理提高深度图像的分辨率。深度图像上采样算法旨在将输入的低分辨率（Low Resolution,LR）深度图像输出为HR深度图像,成为国内外学者研究的热点。目前,深度上采样算法层出不穷,均取得了较为不错的效果。然而仍存在精细结构缺失、边缘模糊以及上采样因子过高时深度细节难以恢复等问题。针对上述问题,本文充分利用HR彩色特征,获取高质量的HR深度图像,并在主观及客观评价指标上验证所提算法的优越性。本文研究内容如下:1.基于彩色约束项与字典学习的深度图像上采样算法针对当前算法未能有效恢复深度精细结构以及边缘模糊等问题,本文提出一种基于彩色约束项与字典学习的算法,通过深度图像数据集构建相对应的高低分辨率特征集合,利用k-means算法对其进行聚类操作,并且在构建阶段引入彩色约束因子以充分利用高分辨率彩色特征。通过未参与构建特征空间的图像对算法性能进行验证,实验结果表明该算法能有效恢复深度精细结构,输出边缘清晰的高分辨率深度图像。2.基于彩色高频信息引导与CNN的深度图像上采样算法为解决当前以彩色图像为指导的基于卷积神经网络的算法易引入伪像,并且在上采样因子过高时深度细节难以恢复等问题,本文设计了一种彩色图像高频信息引导的多尺度网络结构,以图像分解的方式引入彩色指导,接收多个场域的级联信息,逐步的恢复深度图像细节部分。通过仿真实验,并对主观实验输出图像以及客观实验数据进行对比,验证了所提算法的优越性能。