图像的深度信息在自动驾驶、3维重建、自主导航等领域中起着至关重要的作用。立体匹配（即RGB双目深度估计）技术能够利用不同视点的平面图像间接地恢复场景的深度信息。这种方式简单高效且成本低廉。近年来,随着神经网络在计算机视觉的广泛应用,基于神经网络的立体匹配方法在精度上取得了重大突破,受到了研究人员的广泛关注。作为非接触测距的重要手段,传统立体匹配方法（互信息、Census变换、SGM算法等）在精度上已经无法满足实际应用的需求。而现有的基于神经网络的立体匹配方法在精度和速度方面很难实现有效平衡。不同维度的匹配代价以及与之对应的代价聚合网络是导致速度精度难以平衡的重要原因,同时网络的复杂度也与匹配精度呈现出明显的正相关趋势。其中,基于3维匹配代价的2维代价聚合网络（Disp Net C、Fast DS-CS、FADNet等）往往速度很快,但精度较低。而基于4维匹配代价的3维代价聚合网络（GCNet、PSMNet、GANet等）速度较慢,而精度很高。因此,如何设计出快速且精确的立体匹配网络是立体匹配的研究难点以及能否真正应用到实际的关键所在。本文围绕快速且精确的立体匹配方法展开研究,主要工作包括以下两个方面:首先通过传统ADCensus算法和2维神经网络的协同互补来减少3维匹配代价造成的信息损失,进而在原有快速方法的基础上进一步提升精度。为此,本文构建了3种不同的协同网络:1)基于双重匹配代价的双边代价聚合网络。通过不同深度的编码结构来捕获不同分辨率的特征信息,并设计特征融合模块自适应地校准特征通道间的重要程度。2)基于多尺度匹配代价的级联协同网络。通过分层聚合多个不同维度的匹配代价来融合传统方法和神经网络的特征信息,并设计了独特的损失计算方法来规避视差不连续的特征区域。3)基于粗视差的分层细化网络。通过视差细化的方式将传统方法和2维神经网络连接在一起,在传统方法生成粗视差的基础上,通过神经网络的匹配特征来逐级优化不同分辨率的视差图,从而改善粗视差图中存在的不良特征区域。其次本文还通过构建视差范围将2维神经网络和3维神经网络聚合起来,在原有高精度网络基础上极大地降低了计算量。根据不同的视差范围生成方式搭建了两种不同的多维协同聚合网络:1)基于视差范围算法的多维协同互补网络。通过手工设计的算法将粗视差转换为视差范围来引导3维网络进行训练,采用多种简单高效的基础网络结构来搭建整体的聚合框架。2)基于左右一致性检查及深度补全单元的多维组相关网络。通过视差细化以及深度补全单元来生成视差范围,使用左右一致性检查更好地判断粗视差图中存在的可疑区域,并结合组相关来进一步提高4维匹配代价的质量。实验表明,通过多尺度匹配代价以及不同维度网络的协同聚合,上述网络能够在原有方法的基础上进一步提升精度,且达到了快速且精确的立体匹配效果。本文提出的方法在KITTI官网中低于100ms以及50ms的立体匹配方法中取得了最佳的性能,并在精度上优于其他快速立体匹配方法。