图像信息的获取与感知是计算机视觉的基础,也是模式识别与人工智能等领域的研究热点问题之一。随着传感技术和计算技术的发展,二维图像信息难以满足生产和生活需要,亟需研究三维深度信息的获取技术和方法。双目立体匹配算法是从二维图像中获取深度信息的重要技术,相比于激光雷达、结构光等接触式测量方式具有设备成本低、稳定性高、易于部署等优点。然而,双目立体匹配任务中仍存在众多问题:由于弱纹理区域与遮挡区域匹配信息缺失,复杂重复纹理区域匹配难度大,深度网络难以提取有效的特征信息,并无法对双目立体匹配代价体实现效果较好的聚合;且具有深度或视差真实值的训练样本获取难度大、成本高。因此,本文重点研究了双目立体匹配方法中的特征提取网络与代价聚合网络,通过提取多尺度的语义信息与纹理信息提高特征与代价体的有效性,并提出了无监督的网络训练方法,旨在解决缺少训练样本的问题。本文主要研究成果如下:（1）提出了一种基于注意力机制的双重池化金字塔双目立体匹配方法,用于在特征提取阶段获得各个尺度上图像整体语义信息以及边缘纹理信息丰富的特征。首先,构建一种双重池化金字塔结构,平均池化金字塔结构实现多个尺度上丰富语义信息的提取,而最大池化金字塔结构则负责对多个尺度上边缘纹理特征的提取。其次,在双重池化金字塔结构中设计并应用注意力机制,实现所提取特征各个通道权重的自适应调整,进一步增强特征提取网络的有效性,最终获得表征能力强且有效信息丰富的特征图。在Scene Flow数据集和KITTI数据集上,本方法取得了明显的精度指标提升,表明提出的基于注意力机制的双重池化金字塔双目立体匹配方法的有效性。（2）提出了一种基于多尺度代价聚合的双目立体匹配方法,以增强代价体的表征能力并提升预测视差图的精度。首先,对于提取出的多尺度特征图构建多尺度代价体,使代价体实现对多尺度信息的保留,并减少代价体中的重复信息;其次,构建了多尺度代价融合网络,使网络在对代价体进行学习的同时,实现对于多尺度代价体到单一尺度代价体的融合;最后,通过代价聚合网络实现代价体的进一步学习,并使用中继监督的方式对网络进行有效的训练。在Scene Flow数据集和KITTI数据集上的实验结果表明,使用多尺度代价聚合的方法可以有效提升网络预测视差图的精度。（3）提出了一种基于置信度图的无监督双目立体匹配方法,用于解决视差真实值获取成本高且难度大的问题。首先,使用一种由视差图获得重建图像的方法构建基于重建图像的光度一致性损失与结构一致性损失,并加入光滑性损失作为正则项,实现网络无监督损失的构建;其次,使用一种置信度图的生成方法并将其应用于无监督损失,使网络获得更加准确与有效的无监督信号,从而提升网络的收敛效果。在Scene Flow数据集和KITTI数据集上的实验结果表明,基于重建图像构建的无监督损失可使网络进行有效的收敛,基于置信度图的方法可有效提升网络收敛的速度与精度。