场景深度的获取是众多3D交互应用的前导性关键技术,如虚拟现实等;并且现如今场景深度信息也越来越多地作为一种新的模态参与进现有视觉、图像相关研究中,如图像分割、姿态识别等。在包括立体匹配、结构光等的众多深度获取方案中,To F（Timeof-Flight）相机,尤其是Indirect-To F相机由于其结构轻量、解算简便,成为了目前最有前景的深度相机之一。然而To F相机的深度成像的质量仍有较大优化空间,一方面To F相机的深度图会被多种误差影响,如成像噪声、多径误差、低信噪比等,这些误差会严重损害To F相机深度测量的准确度;另一方面,To F相机深度图分辨率仍然远低于绝大多数彩色相机,导致深度图无法与高分辨率彩色图对齐,限制了其应用场景。本文针对To F相机的以上两点主要问题,使用基于深度卷积神经网络（Convolutional Neural Networks,CNN）的方法来对To F相机进行成像优化,其具体内容主要包括以下几点。1)开发大规模模拟To F数据集。本文对学术界公开可用的深度数据集进行了充分调研,之后使用基于计算机图形学技术制作了一个大规模的模拟To F数据集,其中包含了具有充分误差模拟的To F原始测量,高分辨率下稠密准确的深度真值,以及对应的RGB图像。2)研究To F深度图的误差修复。本文分析了To F误差修复应包含的原理,指出了过去To F误差修复方法中存在的问题。接着在遵循上述原理并避免上述问题的前提下,本文提出了一个级联迭代的卷积神经网络对深度图中存在的误差以残差预测的方式进行逐级修复。实验中,方法可以表现出对各种不同误差的良好修复性能,并在本文提出的数据集以及多个不同的其它开放数据集上都取得了State-of-the-art的准确度。3)研究RGB指导的To F深度图的超分辨率。本文分析了RGB图像与深度图之间模态的差异,提出了利用模态间一致性和不一致性的两种主要融合思路。之后沿着以上两种思路,本文分别在网络结构中设计了前期融合、后期融合SR模块以及跨模态空域注意力融合模块,并在损失函数中应用了二阶梯度平滑一致性损失。本文使用消融实验证明了以上融合方式的有效性,并在准确度上达到了State-of-the-art的水平。4)研究To F成像优化算法在低功耗嵌入式设备上的加速与部署。本文通过网络结构优化设计以及通用网络加速两类方案,在准确度损失尽可能小的前提下,显著降低了方法的时间复杂度。实验中,以上两个算法被部署在了嵌入式开发板上,逐步实验表明了加速方案可以大幅提升算法运行速度,同时保持良好的准确度。