双目立体视觉是获得现实场景深度信息的一个重要手段，是计算机视觉领域一个备受关注的研究课题，在机器人视觉与自主导航，三维测量与三维重建以及自动驾驶等领域有着广泛的应用。双目立体匹配旨在利用像素匹配方法确定双目视觉系统获取的左右两目图像中各像素间的对应关系，以便确定拍摄物体的深度信息，是双目立体视觉研究的一个核心且极具挑战性的课题。随着双目立体匹配研究的深入，目前实时化已成为该课题的研究方向和热点。本文从算法设计与实时实现两方面着手对实时双目立体匹配问题展开研究，一方面对具有较低算法复杂度且具备较高匹配质量的双目立体匹配算法展开研究和设计；另一方面依托本文提出的匹配算法对基于GPU并行计算平台上的实时实现方法展开深入探索；最终，达到了有效解决双目立体匹配实时化的目标。主要研究内容如下：1.提出了一种实时非对称线性双目立体代价聚合方法。在分析线性双目立体代价聚合算法原理的基础上，本文利用非对称代价聚合方法对线性双目代价聚合算法的计算过程进行简化，并采用鲁棒性更强的TAD匹配代价函数以弥补简化所带来的精度不足，使得最终的代价聚合过程在保证了与原算法相当的匹配质量的同时大幅降低运算复杂度。最后，本文将非对称线性代价聚合算法的计算过程并行化，并映射到GPU并行计算平台上。实验结果表明，本文提出的实时非对称双目代价聚合算法在提高匹配准确度的同时提升了聚合效率，满足了实时性需求。2.提出了一种递归边缘保持型双目立体匹配算法。本文将一种基于域变换理论的递归边缘保持滤波器技术引入到双目立体代价聚合过程中，实现了一种具有常数算法复杂度的代价聚合方法，并围绕该代价聚合方法设计了一整套包括预处理、代价计算、代价聚合及其后处理的双目立体匹配算法。实验数据表明，递归边缘保持型双目立体匹配算法能够在常数运行时间内获取视差图，且视差图的质量接近或优于某些处于研究前沿的全局匹配算法，在实时双目视觉领域有着良好的应用前景。3.提出了一种实时并行递归边缘保持型双目立体代价聚合方法。鉴于本文提出的递归边缘保持性双目立体匹配算法的计算复杂度为常数且具备良好的匹配质量等特点，本文依托CUDA并行计算框架，将该匹配算法最为核心且最为耗时的部分，即递归边缘保持型立体代价聚合，映射到GPU并行计算平台上，以满足双目立体匹配的实时性需求。与其他实时双目立体代价聚合算法相比，通过本文的并行映射，最终递归边缘保持代价聚合的运行效率有了大幅度的提升，在实时双目视觉系统中有更为明显的优势。4.提出了一个适应于实时条件下的视差优化框架。为进一步提高双目立体匹配过程的匹配准确度，并切合实时性研究目标，本文构建了一个基于GPU并行计算平台的视差优化流水线。该流水线由多个相对简单，速度较快的优化方法组成，其中各个优化方法取长补短，相互协作，对各类误码都有良好的校正效果，且实时性能优异。最后，通过实验对本文的实时双目立体匹配的研究结果进行验证与总结。结果表明，最终的匹配精度和视差图质量接近于目前该领域的前沿水平且运行效率亦能满足实时性要求。总之，通过上述工作，本文对实时双目立体匹配问题进行了深入的研究，从匹配代价计算、代价聚合到视差优化，本文都提出了相应的实时、高效的解决方法。通过本文提出的方法，不仅能提高双目立体匹配的准确率获得高质量的视差图，还能保证良好的实时特性。本文的研究成果在基于通用PC平台的实时双目视觉的应用领域有着广泛的应用前景。