深度图像作为连接二维视觉与三维视觉的桥梁,在计算机视觉领域具有重要而基础的地位。但由于成像原理与传感器质量的限制,常见的深度图像会因环境光照、纹理、以及观测物表面材质等原因造成孔洞、畸变、噪声、分辨率低等问题与瑕疵。为了有效处理这些问题,许多专家学者提出了自己的解决方案。基于不同原理的深度图像增强方案可以部分滤除深度图像中常见的高斯噪声,或可以填充不同成因的结构性孔洞,但也遗留了一些难以解决的固有问题,比如:算法在深度图像上采样过程中常出现边缘模糊、边缘泄露甚至于深度边缘消失的瑕疵;又或以彩色图像作为引导的深度图像增强算法中常出现纹理拷贝的额外错误。针对上述问题,本学位论文提出了一种新的迭代式深度图像增强算法,本文的主要贡献如下:（1）本文的深度图像增强算法融合了滤波方法和全局优化方法的各自优势,在全局图像上采取迭代优化式算法框架。在迭代求解所设计的能量函数的最佳值的同时创新性地构建了包含树型滤波和引导滤波的综合滤波核进一步加强了平滑与局部-半全局像素区域的关联特性。（2）本文设计了一种自适应带宽机制。通过在深度图像的不同局部区域调整对应的带宽值以动态地修正所设计的综合滤波核在深度图像不同区域内的对应平滑力度,并能在每一次迭代的过程中同时更新对应的带宽值。最后在实验部分以对比实验的方式证明了该机制的有效性。（3）本文将所提出的算法同多种先进的深度图像增强算法在Middlebury数据集以及TOF-Mark数据集上进行了定性定量比较,主要聚焦于深度上采样和深度孔洞填充这两个任务。通过多组实验证明了本文所提出的算法在各项深度图像增强任务中的有效性。对于其他算法处理后仍存在的瑕疵,本文算法也给予了有效抑制。（4）本文另在两种不同类型的深度相机采集的多组室内场景上测试了所提出的算法。通过同其他多种增强算法的定性对比以证明本文方法能够对存在各类问题与瑕疵的深度图像进行有效增强且拥有较好的视觉效果。从而说明本文所提出的算法具有可行性。