日常环境中经常存在着透明物体。在深度相机捕获的深度图中,因为透明物体本身特殊的光学特性,导致透明物体对应的深度值缺失或者不准确。因此,深度补全技术对于物体重建和环境感知具有重要意义。同时,RGB图像特征是深度补全算法的关键因素之一,阴影去除预处理能够更好地辅助网络提取RGB图像的关键特征。本文建立了一个透明物体的阴影检测数据集,并提出了基于半监督学习的自校正阴影检测方法;进一步针对经过去阴影处理的RGB图像和不完整的深度图,提出了基于体素和深度学习的透明物体深度补全算法。具体的研究内容如下:首先,针对现有的阴影检测数据集缺少透明物体的问题,建立了包含800组图片的透明物体阴影检测合成数据集（A dataset for shadow detection of transparent objects,简称TSD）。基于blender平台构建透明物体的物理模型,通过设置透明物体数量,形状,光源的方向以及真实背景等参数渲染不同的透明物体阴影图片。利用lableme软件对每张阴影图片人工标记阴影区域,得到阴影mask图片。另外,在保持光照一致性的前提下,渲染每张阴影图片对应的无阴影图片。最后,选取三种现有的阴影检测算法在TSD数据集上进行实验验证,实验结果表明,TSD数据集可以用于透明物体的阴影检测任务,但是传统的阴影检测算法在透明物体阴影检测方面的性能有待提升。其次,针对现有阴影检测算法在透明物体阴影区域漏检测问题,提出了基于半监督学习的透明物体阴影检测自校正算法。构建了融合注意力机制的循环阴影检测主干网络,同时针对部分阴影区域易被误检测为非阴影区域的问题,设计了阴影区域补充检测网络,自动校正阴影检测主干网络的误差。针对大量标记数据带来的人工标注问题,借鉴半监督学习方法,将标记数据和无标记数据组成的混合数据集的阴影检测结果作为伪标签,对经过数据增强之后的混合数据集进行一致性训练。同时,搭建了生成对抗网络（Generative Adversarial Networks,简称GAN）模型,利用阴影图片和预测的阴影mask进行训练,预测无阴影图片。最后,在新建的透明物体阴影检测数据集TSD和非透明物体阴影检测数据集中对该检测算法进行了验证,实验结果表明,所提算法在包含透明物体的图片和不包含透明物体的图片中均能够有效的检测阴影区域,并预测准确的无阴影图像。最后,针对RGB-D相机捕获的深度图中透明物体深度值缺失问题,提出了基于体素和深度学习的透明物体深度补全算法。将图像映射到体素空间,根据输入深度图计算有效点云和占用体素。结合相机射线方向,筛选占用体素中与相机射线相交的体素。利用RGB图像中包含的图像特征和由点云图像计算得到的相交体素内有效点,采用多层感知机算法预测透明物体缺失的深度值,并在表面法线一致性约束下对初步预测的深度值进行优化。实验结果表明,所提算法预测深度图中缺失的透明物体深度值的准确度要高于Clear Grasp算法。