在计算机图形学和视觉领域中,场景深度图超分辨率重建十分重要而又充满挑战。利用深度相机拍摄采集的场景深度信息在诸如增强现实、体感游戏、三维重建、自动驾驶、机器人定位导航等均起到至关重要的作用,然而由于获取场景深度信息的深度传感器设备分辨率、感光器件质量等的局限性,拍摄采集得到的场景深度图像通常存在分辨率低、深度图模糊的缺陷。深度图像超分辨率技术能够将场景深度图像由低分辨率、低质量提升为高分辨率、高质量。为了有效提升场景深度图像质量,本文对基于深度学习的超分辨重建技术展开了研究。本文的研究内容和成果如下:（1）基于通道多尺度融合的场景深度图超分辨率重建算法。针对彩色图特征与深度图特征在融合时未能充分进行特征融合的问题,提出一种基于通道多尺度融合的场景深度图超分辨率网络CMSFN（Channel Multi-Scale Fusion Network）,该网络通过对低分辨率深度图进行通道多尺度上采样并结合残差学习提升深度图分辨率。为了有效利用场景深度图的多尺度信息,CMSFN网络采用金字塔多尺度结构,该结构在金字塔每一层级上对网络中的特征图通道进行多尺度划分,使该网络能够获得不同大小的感受野并能够在不同尺度上捕捉特征信息;在金字塔每一层级上对场景彩色图与深度图采用密集连接进行融合,从而有利于彩色图和深度图的特征复用并确保其结构信息的充分融合。此外,CMSFN网络中加入全局残差和局部残差结构,可以使网络专注恢复场景深度图中的高频残差结构同时缓解梯度消失。实验结果表明,与现有的11种方法相比,CMSFN网络具有良好的深度图提升性能,能够有效恢复场景深度图的结构信息。（2）基于通道注意机制的场景深度图超分辨率重建算法。为了能够对高分辨率彩色图像进行丰富的特征提取,提出一种基于通道注意机制的双分支多尺度网络CA-DBMNet（Channel Attention based Double Branch Multiscale Network）以有效引导场景深度图的超分辨率增强与重建。该网络分为两个分支---彩色图特征提取分支和深度图超分辨率分支。彩色图特征提取分支采用特征金字塔结构提取场景的彩色图特征,从而使该网络能够在不同尺度上捕捉彩色图特征信息,并能有效获取彩色图中不同尺度的结构信息。深度图超分辨率分支则由3个模块组成:分支融合模块,其将彩色图特征提取分支和深度图超分辨率分支采用密集连接和残差学习结构进行特征融合;通道多尺度模块,其对深度特征图进行多尺度特征提取;通道注意模块,其能有效增强深度特征图中高频分量的通道比重。在基准数据集上的大量实验表明,CA-DBMNet方法能够有效地将低分辨率深度图像恢复成高分辨率图像,重建得到深度图像结构完整、边缘清晰。