图像序列光流计算是从连续帧图像中估计难以直接获得的稠密像素点二维运动矢量,由于光流既包含了图像中目标与场景的运动参数,还携带了丰富的结构信息,因此是图像处理和计算机视觉领域的一项重要研究任务,研究成果被广泛应用于动作识别、目标检测、三维重建、自动驾驶以及卫星云图分析等领域,具有广泛的应用前景和重要的应用价值。近年来,随着以卷积神经网络为代表的深度学习理论与方法的快速发展,基于深度学习的光流计算技术成为该领域研究的主流方向。虽然基于深度学习的光流计算方法在光流估计的准确性与实效性等方面已取得显著提高,但是由于标准卷积模型在图像边缘和运动边界区域特征提取的局限性,导致基于深度学习的光流计算方法常常产生运动边缘模糊现象。此外,现有的深度学习光流计算方法通常采用基于端点误差的损失函数监督网络模型训练,虽然能够促使网络模型训练的快速收敛,但由于该损失函数仅考虑光流估计的绝对误差,导致训练结果易陷入局部最优。针对以上问题,本论文主要研究基于各向异性稠密卷积的特征金字塔光流计算方法,旨在解决光流计算的边缘模糊和网络模型训练的局部最优问题,本论文的主要贡献包括:（1）针对标准卷积特征提取网络易产生光流计算边缘模糊的问题,本论文首先提出基于各向异性稠密卷积的图像特征提取网络,该网络通过联合多尺度标准卷积的特征稠密度与变形卷积的边缘感知特性,显著提高了图像特征提取的准确性。为了克服大位移运动对光流计算的影响,本论文将各向异性稠密卷积特征提取网络与特征金字塔光流计算网络相结合,提出基于各项异性稠密卷积的特征金字塔光流计算方法,进一步提高了大位移场景光流计算的可靠性。（2）针对现有的端点误差损失函数易导致光流估计网络模型陷入局部最优的问题,本论文提出一种联合全局能量泛函与端点误差的混合损失函数,通过对端点误差损失函数增加基于图像亮度守恒的数据约束项和基于图像梯度自适应变化的正则化项,促进模型进一步收敛,显著提高了光流计算的准确性与鲁棒性。（3）为了验证本论文所提光流计算方法的准确性与鲁棒性,分别采用MPISintel和KITTI数据库测试图像集对本论文方法和现有的代表性深度学习光流方法进行定量对比与定性分析。根据实验结果可以得出本论文提出的基于各项异性稠密卷积的特征金字塔光流计算方法在MPI-Sintel的Clean和Final数据集端点误差分别提升了21.5%和5.2%,在KITTI数据集上平均异常值百分比提升了2.41%。实验结果表明,本文方法具有更高的光流计算计算精度,尤其在图像边缘和大位移运动区域具有更好的鲁棒性。