立体视觉匹配是计算机视觉的重要问题之一,该技术通过不同视角的多幅图像重建三维场景。立体匹配的关键在对应点问题(即视差图的获取),即从不同视角下多幅图像中寻找匹配的像素点。然而现实场景的立体匹配存在大量挑战:反射,遮挡,视差不连续,视角形变,无纹理区域等问题。因此近年来从现实场景中获取高精度的视差图一直是国内外研究者关注的焦点。立体匹配一般包括四个步骤:匹配代价计算,代价聚合,视差计算或优化以及视差提炼,具体的步骤取决于特定算法。局部立体匹配算法的视差计算仅仅依赖局部窗口内的灰度值,通常通过代价聚合来进行隐含的平滑假设。而全局通常跳过代价聚合,进行明显的视差平滑假设,然后解决一个优化问题。深度学习是近年得到了学术界和工业界的密切关注,它通过多层非线性变换,从大量数据中自动学习多层特征,从而替代传统机器学习手工设计的特征,深层的结构具有很强的学习能力和表达能力,擅长提取复杂的全局特征和上下文信息。其中卷积神经网络在视觉问题中得到广泛应用。本文提出了一种新的立体匹配方法,基于全卷积神经网络的立体匹配,进行端对端的监督学习,全卷积神经网络可以进行像素级别的预测,通过激光扫描获取大量的真实视差图,然后利用全卷积神经网络进行不同视角的图像对到视差图的直接映射。本文实验证明了基于全卷积神经网络的立体匹配的可行性。