近年来,随着人工智能技术的兴起,虚拟现实(Virtual Reality,VR)、增强现实(Augmented Reality,AR)、立体3D视频、3D打印等3D技术发展迅速,各类应用层出不穷。而在诸多应用中,如何获取场景的深度信息一直是研究的重点。传统相机可以很好地获取场景的空间信息,但在拍摄过程却丢失了深度信息。而传统的方法中使用单相机、双相机估计场景深度视角少、精度低,而使用多相机视角多、精度高但复杂度高、成本高,方法上各有缺陷。随着光场相机的出现,深度估计的技术有了一个新的研究热点。光场相机与传统相机相比,可以实现同时对空间域和角度域的信息采集,也解决了单、双相机和多相机获取深度在视角个数和成本上的矛盾。因此,利用光场相机来估计场景的深度具有很大优势与研究前景。然而,在现实场景中存在着许多挑战,例如遮挡现象的存在,纹理平坦区域等。这些都是利用光场相机估计场景的深度中的一些研究难点,基于此,本论文针对这些问题展开了研究。首先,针对遮挡问题,本文从光场的光线传播路径出发,推导出在遮挡情况下光场中空间信息与角度信息之间的关系,建立了空间信息与角度信息之间的抗遮挡模型。基于此模型对不同的遮挡情况提出了相应的视角提取算法,实现复杂遮挡下的深度估计,提高了算法的鲁棒性。然后针对纹理平坦区域噪声问题,本文提出了融合置信度和全局约束的马尔科夫能量模型对估计出的初始深度图进行全局优化,其中设计了一种基于曲率的置信度计算方法,提高了能量模型的优化准确性。进一步地,考虑到深度学习网络泛化能力以及传统算法计算时间长的问题,本文还提出了基于神经网络的多通道光场图像深度估计算法。该算法利用极线平面上不同斜率对应着不同的深度准则,设计不同斜率下的输入图像,输入多通道的网络中提取光场图像的角度特征,再通过深度卷积神经网络提取高维特征,最终获得完整的深度图。该算法既能提高深度估计的准确性,也能降低时间开销。