随着新一代RGB-D相机的兴起,人们可以更加方便、快捷地同时获取彩色图像和深度图像,从而更有效地进行立体图像处理。现阶段,立体图像处理技术发展迅速,取得了显著的成果,特别是消费级RGB-D相机的问世,给立体图像处理领域带来了新的活力。本文正是在这样的背景下,针对基于深度学习的深度图像超分辨率重建和RGB-D物体识别技术开展了深入的研究。本文提出了一种基于彩色信息引导的深度图超分辨率重建方法。该方法将彩色信息与深度信息共同作为卷积神经网络的输入,采用双流卷积神经网络实现深度图超分辨率重建。此外,为了更好得利用彩色信息,提出基于高分辨率彩色图和低分辨率深度图获得优化的边缘图,并将优化的边缘图嵌入到卷积神经网络中,来引导深度图的边缘优化,完成深度图像的超分辨率重建。实验结果表明,所提方法提升了深度图超分辨率重建的质量。本文还提出一种基于卷积-递归神经网络和费舍尔向量的RGB-D物体识别方法。该方法综合利用彩色和深度信息,采用多数据模式的特征提取策略,进行RGB-D物体识别。对于彩色图像和深度图像,分别利用卷积-递归神经网络和卷积-费舍尔向量-递归神经网络提取物体的特征。此外,为了更加全面地获取物体信息的特征表述,引入灰度图像和表面法向量作为原始数据的补充,并利用卷积-递归神经网络提取特征。最后,对四种数据模式下提取到的特征进行融合,输入到softmax分类器中实现RGB-D物体识别。在标准的RGB-D数据库中对算法进行验证,实验结果表明,所提算法可以有效提高物体识别率。