车联网是智慧交通的研究热点,在车联网环境中使用双目立体视觉精准判断物体的位置,从而为有效解决交通安全等问题提供技术支撑。目前双目立体匹配算法大多采用基于卷积神经网络的端到端双目立体匹配算法,但图像噪声和神经网络参数量大的问题不能满足车联网高精度和高运行速度的要求,本文针对这些问题开展研究工作。针对视觉传感器长期工作、拍摄时亮度不佳产生图像噪声降低立体匹配卷积神经网络精度的问题。本文基于具备抗噪性的LIF生物神经元模型提出了NST激活函数,调整NST函数的抗噪声参数,拟合LIF模型响应机制,NST函数具备抗噪声性能和良好的稀疏特性、梯度特性、均值特性和非单调性。仿真实验表明NST函数在有噪声输入的情况下发挥稳定,且在方差值为0.2的大噪声输入时,运用在GC-Net中误差值比Re LU函数低7.085%,运用在PSM-Net中误差值比Re LU函数低8.504%,有效克服图像噪声对立体匹配的影响,提升精度。针对基于卷积神经网络的端到端双目立体匹配算法多使用3D卷积核代价聚合导致网络参数量大、运行速度较慢的问题,本文提出了半全局树形结构代价聚合（SGT）算法,运用生成树从多方向对代价值进行聚合,替代3D卷积核来降低网络参数量,提升视差处理速度;调整SGT算法中各方向代价聚合的参数,灵活控制提取图像几何纹理信息,有效解决弱纹理区域误匹配率高的问题;用像素梯度计算像素间相似性,提升图像边缘视差匹配精度。本文运用SGT算法构建了端到端半全局树形结构代价聚合视差预测神经网络（SGT-Net）,分3种不同尺度提取特征,更全面捕获全文信息;运用极线约束构造4D代价体,使SGT-Net具有几何特性约束网络,获取更准确的视差图;SGT代价聚合层降低神经网络体量,提升神经网络运行速度。加入抗噪声NST激活函数的SGT-Net相较于GC-Net,运行速度提升0.55s,精度提高0.455%,比PSM-Net运行速度提升0.13s,精度提高0.101%。仿真实验表明SGT-Net能有效应对弱纹理等区域,提升匹配精度的同时加快运行速度,更适用于具有噪声影响的车联网环境。