鱼眼相机的几何畸变矫正是计算机视觉和计算机图形学中一个基础且重要问题。为了能够获取超乎人眼所观察到的视觉范围,鱼眼镜头通过其独特的几何外形设计,具有大视场角以及宽视场覆盖范围的优点。但是与此同时,鱼眼相机所拍摄的图像也具有严重的视觉畸变,且此畸变效应对其在一般视觉任务中的应用带来了困难与挑战。所以,高效且高精度的鱼眼相机畸变矫正是后续视觉任务能够正常运行的前提与保障。然而,由于基于视觉几何的传统矫正算法通常需要特定的标志物或已知相机,当处理在未知环境下使用未知型号相机所拍摄的单张鱼眼图像时,其矫正能力十分有限,且矫正效果通常不尽人意。为了克服现有的畸变矫正算法的劣势,本文采用卷积神经网络(Convolutional Neural Networks,CNN)来对畸变矫正问题进行重新理解,代替传统视觉特征,利用CNN的强表征能力回归学习输入鱼眼图像的畸变参数,使那些因为鱼眼投影而变弯曲的“畸变线”矫直,从而实现有效的畸变矫正。本文主要贡献如下:首先,我们提出了一种鱼眼相机畸变矫正的新研究思路,在学习如何把鱼眼图像中的“畸变线”矫直的过程中实现鱼眼图像的畸变矫正。并经过实验表明,在深度网络框架中嵌入传统校准算法理论:“鱼眼投影产生的‘畸变线’在正常透视图像中应是直线”—极具研究前景及有意义的。其次,我们设计了一种端对端的鱼眼相机畸变矫正深度网络模型。针对鱼眼图像畸变分布的非线性特性,通过设计多尺度的感知学习模块来平衡局部以及全局畸变效应;针对“畸变线”检测所引入误差,通过设计不确定正则化进一步提高网络的性能。最后,针对目前大规模鱼眼相机矫正数据集公共数据集缺失的问题,我们构建了一个带有畸变参数以及线结构标注的鱼眼相机矫正数据库。在此数据库上进行的多种不同评估实验充分验证了本文畸变矫正网络的有效性和先进性。