随着多媒体技术和计算机视觉的不断发展,立体图像的视觉效果使其得到广泛关注。相较于二维图像的平面感,立体图像带给人们的是更加真实和自然的视觉体验。由于图像采集过程受各种因素影响,不同视点下拍摄的相同物体的亮度和色度可能发生变化,导致立体图像左右视图之间产生颜色或亮度差异,这种差异会影响深度信息重建,进而使观众感到视觉疲劳。为了解决现有颜色校正方法中校正效果与时间效率不平衡问题,本文主要研究基于卷积神经网络的端到端的立体图像颜色校正方法,用以快速校正立体图像左右视图间的颜色。本文首先提出一个基于深度残差优化的立体图像颜色校正方法。该方法通过融合全局颜色校正图和左右视图密集匹配图得到初始化结果,由于初始结果的像素来自于全局颜色校正结果图和密集匹配图,用残差图优化的方式可以对由误匹配和融合导致的结构变形和颜色不一致进行优化调整,并使校正结果最大限度地保留目标图像的结构和清晰度。在优化网络的训练阶段,为了改善结构变形和调节区域颜色不一致,模型引入了感知损失和逐像素损失。实验结果表明该方法优于大部分先进的颜色校正算法。进一步地,本文提出一种端到端的基于视差注意力的立体图像颜色校正方法。该方法在同一个卷积神经网络模型中同时进行立体对应关系获取和目标图像颜色校正。先使用共享参数的多尺度特征提取模块分别提取参考图像和失真目标图像的特征,再通过视差注意力模块的双向匹配策略进行特征之间的对应关系匹配和融合,最后重建融合特征得到校正目标图像。视差注意力机制仅在水平视差方向搜索匹配像素,能够实现左右视图信息的高效融合。实验结果证明了该模型在立体图像颜色校正中的有效性。最后,为了弥补视差注意力机制对于垂直视差和细节匹配的不足,本文提出一种基于匹配与融合的立体图像颜色校正方法。该方法主要由视差注意力颜色校正网络、基于光流的图像匹配网络和图像融合网络三部分构成。基于光流的图像匹配网络不受视差方向限制,能得到更精准的密集像素对应关系。融合初始校正图、光流匹配目标图、参考图像和目标图像后的结果与参考图像的颜色更加一致。图像融合模型依然采用残差训练的方式以保持结果的清晰度以及与目标图像的结构一致性,并引入更能反映人类视觉系统特性的多层级结构相似性损失。实验结果表明,与其他方法相比,所提出的方法具有较高的效率和性能。