近年来,随着学科交叉的发展,立体匹配理论的研究逐渐丰富。然而医学图像普遍存在噪声多、结构复杂和数据采集困难等特点,传统的双目匹配技术难以获得准确的匹配结果。此外,准确的标签数据获取困难,制约着监督式的训练。针对以上问题,本文将自监督方法引入医学图像立体匹配,利用深度学习来提高匹配精度。主要研究工作如下:（1）针对标签数据难获取的问题,提出了一种自监督图像立体匹配模型SDMNet（Self-supervised Disparity Matching Network）,本模型引入自监督、感知损失、区域裁剪和损失均衡计算四个模块,并在公共数据集KITTI基准上达到主流自监督算法最高精度,在公共数据集KITTI2015和2012基准上获得3.39%和2.25%的错误率。（2）针对立体匹配中遮挡点的问题,在SDMNet的基础上,利用先验驱动数据学习、快速特征点提取和描述算法ORB（Oriented FAST and Rotated BRIEF）,构建了基于稀疏自编码的图像立体匹配模型ORB-SDMNet。本模型充分利用几何先验,引入了稀疏点云生成、稀疏自编码和损失均衡计算三个模块,并在公共数据集上与其他算法对比,超越部分监督算法,在公共数据集KITTI2015和2012基准上获得3.31%和2.20%的错误率。（3）针对血管显像及其病理诊断对三维成像的需求,结合血管及相关组织的图像数据特性,研究以上述匹配模型为核心的非侵入式高精度血管三维成像技术,搭建了血管三维成像系统,可输出令人满意的定性成像结果。为类比成像特性,模拟手背血管成像环境,搭建了模拟血管三维成像系统,通过采集模拟血管数据并获得视差标签,将自监督立体匹配模型算法在模拟数据上进行定量评估,MAE（平均绝对误差）平均误差比主流算法低0.57。