双目立体视觉技术一直是机器视觉的研究重点,因其成本低,结构简单等特性,在视觉导航、三维重建、无人驾驶、工业检测等领域有广泛的应用。立体匹配是立体视觉的核心技术,一般立体匹配算法可分为:初始匹配代价计算、成本聚合、视差确定、视差细化等四个步骤。本文重点研究了如何在成本聚合阶段融入视差信息,获得更可靠的聚合成本;如何在多层支持窗、最小生成树的结构中使用类线性扫描优化聚合初始成本。本文针对传统立体匹配局部支持窗难以利用空间距离远、灰度距离远的像素的信息的问题,改进了支持窗算法,利用视差、灰度信息构建双层支持窗,形成上层视差窗、中层灰度窗、底层像素的三层结构,并使用线性扫描优化方法聚合匹配代价,不断迭代细化视差图,在Middlebury平台上的测试结果表明本文算法可以得到较精确的视差图;针对传统最小生成树立体匹配算法在重复纹理区域、无纹理区域难以获得准确视差的问题,本文改进了最小生成树立体匹配算法,使用线性扫描优化法聚合最小生成树匹配代价,使用自适应惩罚值,提高算法的平滑性能,在Middlebury平台的测试结果表明该算法能够获得清晰的视差边缘;针对传统的最小生成树仅使用颜色信息生成最小成树,容易在视差边缘处产生连接,导致误匹配的问题,本文进一步改进了最小生成树立体匹配算法,在生成最小生成树过程中加入视差信息,使用最小生成树分割算法获得双层最小生成树,利用类线性扫描优化的方法聚合代价获取视差图;其中本文利用左右视差图的映射关系,标记遮挡区域,交叉迭代细化左右视差图,在Middlebury平台测试本文算法平均误匹配率为5.19%。为了验证本文算法的实用性,本文使用标定后的双目视觉系统获取多幅实际场景图像,使用本文三种算法计算视差图,并重建三维点云图;通过拟合算法拟合测量矩形工件尺寸,并结合手眼标定定位工件位置。实验表明本文算法能得到清晰准确的视差图,能重建出较平滑的点云,有较高的匹配精度、定位精度。