基于深度学习的立体匹配网络近些年得到了快速地发展,并广泛应用于自动驾驶、机器人导航、三维重建等领域。现有的立体匹配算法研究一般是在较好的光照环境下,并且获得理想的视差图,在阴天、夜晚等弱光条件下,目前的基于深度学习的立体匹配算法匹配准确率不高。因此,本文以微光图像为研究对象,首先对微光图像进行立体匹配算法研究,再以图像分割为应用方向展开讨论。针对微光图像,本文提出了一种促进图像去噪与立体匹配一体化的金字塔抗噪立体匹配网络(a noise-resistant pyramid stereo matching network,NR-PSMNet)。在经典的立体匹配网络中加入图像重构模块,实现微光图像的去噪。通过多任务学习的思想结合立体匹配模块与图像重构模块,在训练过程中两者互相约束,共同作用于特征提取部分的网络参数更新,实现图像重构模块辅助微光图像在立体匹配模块中获得更加准确的视差图。实验模型在模拟微光处理的KITTI2015数据集、Middlebury数据集和真实拍摄的微光图像上进行测试,改进后的算法的立体匹配效果得以提升。微光图像噪声复杂且严重、对比度低、纹理特性不明显、光照不均匀,在对其进行图像分割时,无法准确地获得对象轮廓,得到较好的分割结果,因此,结合微光图像与上述生成的视差图,通过在微光图像中引入深度信息,可以实现信息互补,从而获得较好的分割结果。本文利用基于信道注意力的分割网络(Attention Complementary Network,ACNet)有选择地从微光图像、视差图以及各层融合特征三个分支逐层提取图像信息然后进行特征融合,得到更高质量的特征,再对其进行上采样实现图像分割。实验模型在模拟微光处理的NYUDv2数据集以及真实拍摄的微光图像上进行测试,相较于仅使用微光图像作为模型输入的图像分割可以获得更好的分割效果。