场景深度补全旨在通过算法补全深度图中空洞区域以得到稠密且精确的深度图,是计算机视觉中的一个重要课题。所获取的深度图信息在机器人、自动驾驶和增强现实等领域中起到关键性作用。神经网络强大的特征表达能力和端到端的训练方法极大地助力了深度补全的发展,本文围绕基于卷积神经网络的深度补全,分别从稀疏深度图特征提取、联合深度补全和语义分割以及联合网络的优化三个方面展开研究,主要工作和贡献如下:(1)基于置信度传播搭建了深度补全小型网络,由置信度传播模块、场景理解模块、深度优化模块和融合调精模块组成。置信度传播模块显式地考虑数据的稀疏性,解决Li DAR采集的深度图高度稀疏且不规则间隔的问题;融合调精模块融合来自深度图的深度信息和来自彩色图像的场景信息,实现由粗到精的深度补全,解决采集的深度图缺乏场景信息的问题。(2)通过探究深度补全和语义分割两项任务的内在联系,提出了一种基于语义信息的深度补全方法。搭建了基于编解码结构的联合网络模型,显式地提升了网络提取场景结构信息的能力。提出了一种跨域边缘一致性损失函数,利用真实语义分割图指导深度图的补全,解决补全得到的深度图在目标边缘区域模糊的问题。(3)通过对联合网络模型进行优化,提出了一种基于特征增强的联合网络模型,由编码模块、特征去干扰模块和交互解码模块组成。特征去干扰模块对网络中的共享特征进行拆分和重组,解决共享特征中的信息干扰问题。交互解码模块实现解码阶段的信息交互,包括语义分割对深度补全的单向指导,以及联合任务间的双向交互。