作为计算机视觉领域中被广泛关注的方向之一,三维物体识别被大量运用于无人驾驶,智能机器人等领域。与其紧密相关的双目视觉立体匹配算法,近些年来也随着新兴算法地提出被不断改良。本文对双目视觉立体匹配的研究做出方法上的创新,不仅对经典立体匹配方法做出改进,并且将目光转向了效率更高的结合深度学习的立体匹配方法,主要研究成果如下:（1）为了提升经典立体匹配方法中在遮挡区域和深度不连续区域中的匹配效果,本文提出了一种使用假设最佳值来补偿视差空间图的迭代框架。首先,对三态Census变换进行了改进,降低了支持窗口中邻域像素对中心像素的过度依赖。然后,将经过完整计算流程的视差图逆向构建成一个带有视差信息的视差空间图,用于补偿经过代价计算后所得的视差空间图。并且使用多路径代价聚合的方式,结合多个方向的点在不同视差时的代价来完成聚合。最后,为了提升匹配效果,使用了左右一致性检测,空洞填补和亚像素精化的方法对视差图进一步处理。实验表明,本文所提出的方法经过数次迭代后匹配效果有所提升,不仅在遮挡区域的匹配中能取得较好效果,而且对光照不均匀情况也具有较好的表现。（2）在结合深度学习的端到端立体匹配网络中,针对在计算代价可接受的范围内感知更丰富的图像细节,本文对DispNetC立体匹配网络做出改进。本文引入了扩张卷积完成对初始图像特征的提取,与稠密卷积的思想结合,提出了混合的扩张卷积模块。本文引入了注意力机制模块,用于加强对输入特征图中相关特征和相关通道的关注。将特征图经过深度可分离卷积构建成三维的匹配代价体,再经过二维编解码获得初始视差图。（3）为了能够让本文提出的主干网络有自我修正功能,得到更高的精度,本文还提出一个量级较轻的修正网络。在修正网络中,通过计算初始输入左图的梯度图,再以初始视差图做引导的方式,重新构建一个视差残差体。通过一个量级较小的编解码块对其训练和处理,最终能够让视差最终结果处于亚像素级。本文算法以Scene Flow数据集为主要的训练集,在KITTI2012/2015数据集中进行了验证,和其他基于CNN的立体匹配算法相比,匹配精度在计算代价可接受的情况下有所提升。