立体匹配是计算机视觉理论和应用研究的一个重要的研究方向。目前,图像匹配的匹配算法分为两类:基于局部最优匹配算法和基于全局最优匹配算法。局部最优匹配算法匹配过程中主要依赖图像的某些物理特征和信息,此类算法的复杂度较低,计算量也比较小。全局最优匹配算法的算法性能相比前者高出很多,匹配结果也比较精准,基本能够满足应用要求,但是在匹配复杂度上可能相对要高一些。随着研究的深入,开始引进一些数学优化方法,遗传算法就是其中一类。该算法具有较高的鲁棒性。将遗传算法应用到立体图像匹配算法中能提高算法的匹配精度。本文提出一种基于改进遗传算法的分层匹配算法。分层算法将传统的匹配算法与函数寻优方法进行改进、融合。首先,对传统遗传算法进行改进提高算法的匹配精度,增强算法的匹配性能;其次,利用传统匹配算法匹配速度快的优势与改进遗传算法进行结合,实现速度与精度的双重优化。分层算法第一层采用改进的遗传算法:选择算子采用最佳保留策略,有效的降低了误匹配率,提高了算法的准确性;交叉算子采用自识别交叉算子,避免局部收敛问题,提高了算法的全局性,通过改进遗传算法得到了图像特征点的视差。第二层匹配在第一层的基础上,将原图像的特征点进行剔除,剩余的点为统称为非特征点,利用区域匹配算法对非特征点作为第二层的匹配,得到非特征点的视差。第二层采用区域匹配算法提高了算法的匹配效率。此外,分层算法在噪音问题上也列入考虑范围并做出了相应的处理,通过采用抗干扰性较高的Canny算子作为特征提取算子,Canny算子相比其他算子对噪音的敏感度较低,Canny算子在特征提取过程中对图像进行高斯平滑处理,更加优化了提取的边缘。本文提出的分层算法能够将两种算法的优点都结合到分层算法中。改变分层算法的阈值,比较得到的实验结果图。实验结果分析得出,分层算法中的某些参数的改变都可能影响匹配结果,针对不同的匹配图,采用不同的匹配阈值进行对比,得到相应的匹配结果。