伴随着信息时代潮流的推进,深度图像在物体检测、行为识别和场景建模等方面的应用越来越多。由于3D成像系统本身缺陷和外界干扰,采集的深度图像中往往带有孔洞,孔洞是限制深度图像实际应用的主要因素之一。目前大多数深度图像孔洞填充采用基于彩色图像引导的修复方法,复杂的采集设备和彩色图像与深度图像间的对齐精度一定程度上限制此类方法的应用。基于此背景,本文专注于基于单一深度图像信息的孔洞填充方法研究。论文取得了以下研究成果:（1）在研究现有深度图像修复方法的基础上,结合稀疏表示理论提出了基于单一深度图像信息的孔洞填充方法。首先选取优先级最高的受损图像块作为待修复图像区域,然后创建相似图像块组作为修复字典,经正交匹配追踪算法求解受损图像块的稀疏表示向量,通过字典原子的线性表示实现受损图像块的重建。实验验证了该算法可以有效实现深度图像的中小尺寸孔洞的填充修复。（2）为解决基于稀疏表示的孔洞填充方法对受损严重深度图像填充能力有限的问题,提出基于U-Net的单一深度图像信息孔洞填充方法。U-Net从单一深度图像学习特征并推理出孔洞内的深度信息,将网络输出图像孔洞部分与原图组合得到最终修复结果。实验结果表明该方法在仅学习单一深度图像特征的情况下,得到的孔洞填充结果与多种结合彩色图像信息的孔洞填充方法的最优结果相近。（3）为降低孔洞内部无效信息对CNN特征提取的影响,提出了基于门控卷积U-Net的单一深度图像信息孔洞填充方法。门控卷积U-Net从单一深度图像学习特征并有效地滤除孔洞内部无效特征,更多地关注孔洞外的有效特征,以实现更准确的特征学习和更精确的孔洞填充。实验结果表明该方法可以有效降低无效特征的影响,获得了优于传统卷积U-Net的孔洞填充性能。（4）为进一步提高深度学习方法的孔洞填充效果,提出了一种结合深度图像边缘结构信息的单一深度图像信息孔洞填充方法。设计了两阶段网络模型,分阶段地完成边缘结构推理和深度图像孔洞填充,以进一步提高深度图像孔洞的修复效果。从定性分析角度可以看出边缘结构信息提升了孔洞填充效果,但训练数据集规模的限制以及不精确的边缘推理结果一定程度上影响了其中部分深度图像的修复结果。本文致力于解决面向单一深度图像信息的孔洞填充问题,从稀疏表示、深度学习两方面研究了深度图像孔洞填充方法设计,经测试本文算法有效提升了深度图像孔洞填质量,将在进一步研究的基础上提升实际应用价值。