路面性能直接影响着行车舒适性与交通安全,其与表面形貌信息关系紧密,因此,寻求一种精度高、操作性强的数字化路面形貌测量方法很有必要。由于双目视觉技术具有装置简单、操作方便、数字化储存等特点,已成为路面形貌数字化测量的常用方法之一。但受限于其同名像素点间精确匹配困难、抗光干扰能力不足等问题,难以满足复杂环境下精确测量的实际需求,因此,本文对传统双目测量技术进行改进,开展相关算法研究和测试效果分析及评价。本文主要开展的研究工作如下:（1）针对传统双目测量算法同名像素点间匹配精度低的问题,论文提出激光约束下的双目测量算法,使用激光线将待测区域分割成若干子区域,并在子区域边界形成强制约束,以增强各对应子区域间的精准匹配,提升整体匹配精度。试验结果表明,通过激光线约束对待测区域分割缩小了匹配区域,解决了因全局匹配区域过大而导致的匹配精度过低的问题;在50Lux～350Lux光照范围内,随着激光线约束数量的增多,算法测量精度也在逐步提升,并有较好的稳定性。（2）为进一步改善测量算法的抗光干扰能力,提升算法的鲁棒性,在此基础上,本研究引入Faster-RCNN（Faster-Region based Convolutional Neural Network）目标检测模型,并拍摄采集建立了5Lux～1050Lux光照范围内含有激光约束的沥青路面数据集,用于激光约束识别模型的训练,将训练完毕的激光约束识别模型与激光约束双目测量算法相融合。试验结果表明,改进算法在5Lux～1050Lux光照范围内,各待测试件表面形貌的三维重构效果优于原激光约束双目测量算法。（3）为检验融合Faster-RCNN的激光约束双目测量算法的实际应用效果,室内环境下,使用传统双目测量算法、激光约束下的双目测量算法以及融合Faster-RCNN的激光约束双目测量算法分别对四种试件进行测量,对比分析随机激光点位视差与高程差测量结果。实测结果表明,在5Lux与1050Lux光照条件下,融合Faster-RCNN的激光约束双目测量算法其视差测量的最大绝对偏差分别为1.87pixel、1.54pixel,高程差的最大绝对偏差分别为0.25mm、0.23mm,均明显优于其余两种测量算法;为进一步验证算法的实用性,在室外真实路面环境下选取两处待测区域,除了对比三种测量算法的局部激光点位单点精度评价外,还引入平均构造深度（Mean Texture Depth,MTD）,以评价整体测量精度,结果表明,其在两处路面待测区域的匹配视差与高程差的最大绝对偏差分别为1.37pixel、0.31mm,MTD测量值其绝对偏差值与相对偏差值分别为0.0508mm、8.03%,较其余两种测量算法优势明显。