深度数据是自然场景的基础表征之一,也是机器理解自然场景的重要信息,在三维重建,机器人,自动驾驶和3DTV等领域被广泛的应用。然而,受限于深度相机的硬件工艺和自然场景的复杂多变,由深度相机所捕获到的深度图像分辨率较低,且含有噪音。这些低分辨率,含有噪音的低质量深度图像无法直接应用于相关领域,因此,如何利用图像上采样方法从低质量的原始深度图像中恢复出高质量的深度图像具有很强的现实意义。深度图像上采样的重点在于提升分辨率,恢复缺失信息的同时,重建出细致的纹理结构。因为深度信息的应用常与彩色图像结合起来,且由于深度图像和彩色图像表征同一场景,在空间和纹理结构上具有很高的相关性,因此常常将彩色图像引入的深度图像上采样中去。但是大量的研究表明,这种引导式的上采样方法实际表现并不稳定——纹理信息的拷贝现象以及深度图像边缘的模糊现象是需要面临的最大的两个问题。本文针对上述问题,详细分析以彩色图像做引导的深度图像上采样过程中所出现的问题,结合深度图像本身特点,提出了区域自适应的权重模型去表征深度图像和彩色图像之间在空间和纹理结构上的一致性关系。该模型通过对深度图像局部区域特性的判断,以不同的方式耦合深度信息和彩色信息,实现不同的权重配比;并详细分析上采样过程中边缘错误的内在原因,提出了边缘矫正机制。针对全局能量函数中传统平滑项会模糊深度边缘的问题,从数学的角度重新制定了新的平滑项。本文在模拟数据集和真实数据集验证该算法的有效性。同时,考虑到彩色图像引导深度图像上采样需要十分精细的配准,并且算法耗时较长。本文结合卷积神经网络在单幅彩色图像上采样上的强大能力,设计了一个结合注意力模型的多层次特征融合上采样卷积神经网络。该网络无需彩色图像的引导,可以在单深度图像上自动学习从低层次到高层次,人工无法设计的丰富特征,并重建出高分辨率的高质量深度图像。在模拟数据集和真实数据集上实验结果表明,该网络可以进一步取得精度提升。