光流是三维运动向量在成像平面的投影,是序列图像上亮度图案的表观运动。光流场不仅包含图像内物体与背景的运动信息,而且含有丰富的三维结构和表面信息。因此,在计算机视觉、模式识别等领域,序列图像的光流估计是一个重要的研究问题,可广泛应用于医学图像分析、动作识别、目标检测与跟踪、气象分析、自动驾驶等众多任务。随着深度学习的兴起,基于深度学习的光流估计无论在精度还是鲁棒性方面均有良好的表现。然而当序列图像存在大位移运动、运动模糊或遮挡以及非刚性运动等复杂情形时,现有的光流估计模型或优化算法的结果性能明显降低。本论文主要研究大位移运动下序列图像的光流估计,以现有的基于深度学习的光流估计算法为基础,提出了两种改进的模型:1)基于FlowNet的光流优化模型。针对基于卷积神经网络的光流估计算法性能较差的问题,借鉴多尺度残差学习思想提出一个两级结构的光流优化模型。该优化模型内第一阶段网络主要学习图像内运动特征生成光流结果,第二阶段的精细化网络利用残差信息改善第一阶段网络生成初始的光流。2)基于膨胀卷积深度网络的光流估计模型。针对光流结果边缘不平滑和平均端点误差(AEE)偏大的问题,提出基于膨胀卷积深度网络的光流估计模型。通过采用多个并行的膨胀卷积层同时提取不同感受野下输入图像的相关空间特征表示,改善光流结果的边缘不平滑,提高光流结果的精度。本文以文献内广泛使用的Middlebury、KITTI和MPI Sintel三个光流数据集为依据对以上两个光流估计模型进行仿真实验,并与流行的FlowNet算法、SPyNet算法以及FlowNet2算法比较分析。实验结果证明,本文所提出的基于膨胀卷积深度网络的光流估计模型能够准确地估计出光流结果,提高光流估计结果的精度与鲁棒性。