近年来,随着数字技术的快速发展,三维重建技术在建筑物质量监测和测量方面得到广泛的应用,其中应用最为广泛的是双目立体视觉,其技术核心是立体匹配,传统匹配方法主要通过特征点寻找左右图像对应点,并计算两点的视差,但对于混凝土建筑物健康监测等应用对象,混凝土表面图像大部分像素点具有相似的灰度值,传统匹配算法很难准确地找到对应点,因此,需要研究更加有效的立体匹配方法。基于卷积神经网络的立体匹配算法是近年来发展起来的新方法,本文围绕卷积神经网络在混凝土图像的立体匹配的应用,开展了系统深入研究,主要的工作和创新性如下:1、提出了一种基于相关性比较、余弦相似性和结构相似性的加权度量选择训练集的方法,目的是选择与混凝土图像数据分布最为相似的数据集进行训练。通过多组对比实验确定了这三个相似性度量标准的加权系数,使用这三者的加权值衡量训练集与待匹配图像数据分布的互相似性,以及训练集本身的自相似性,选择加权相似性最高的数据集作为训练集。通过对开源数据集和实拍混凝土图像进行训练集选择的实验,证明了该方法的有效性。2、基于改进的金字塔立体匹配网络（Pyramid stereo matching network,PSMNet）构建了一种多特征融合的卷积神经网络。该网络采用空间金字塔池化,金字塔空洞卷积和Inception结构三个模块和纹理特征提取模块进行多种特征的融合,形成匹配代价卷,通过3D卷积和3D池化调整匹配代价卷,利用视差回归和“赢者通吃”策略综合得到最终光滑连续且边缘清晰的视差图。通过消融实验确定了网络参数,验证了组成模块的效果,并使用开源数据集和实拍混凝土图像进行匹配实验,结果表明所设计网络与其它网络相比,参数量少、运行时间短,并且能够提高混凝土图像的匹配效果。3、将半监督自训练的算法运用到实际拍摄的混凝土图像匹配问题中,以减少混凝土图像数据与训练集数据分布的差异性。将实际拍摄的混凝土表面数据,与根据加权相似性选择的公开数据集,共同作为半监督学习算法的训练数据。通过迭代训练的方式对20组混凝土表面图像匹配,均可以得到光滑连续的视差图,且高置信度点所占比例达到了74.2%。表明基于半监督自训练的混凝土表面匹配算法的有效性和适用性。