立体匹配技术是计算机视觉研究领域中至关重要的技术之一,一直是研究的热点和焦点,在三维重建、智能机器人导航、公共安全、航空勘测中具有广泛的应用。随着近几年深度学习技术的飞速发展,卷积神经网络在语音、文本、人脸识别等领域取得了巨大的成功,尤其在图像特征提取方面效果甚好。本文鉴于深度学习能够提取抽象特征和自己学习的能力,决定将深度学习运用到立体匹配任务以此提高了视差图的精度。本文的主要工作如下:1)对传统立体匹配算法和立体匹配难点进行了研究。针对弱纹理区域难以匹配的问题,本文采用了双通道卷积神经网络结构计算左右图像对。该网络结构是由孪生网络结构和内积层组成,内积层可以得到最适合的特征。另外,该网络结构通过池化层来扩大感受野,这些池化层从相邻像素中获取密集信息,从而使得该网络模型包含更多弱纹理区域背景的内容,较好地解决了弱纹理区域二义性问题。实验结果表明,双通道卷积神经网络算法大幅度地减少了匹配误差,降低了匹配误差率,另外与几种常见的传统算法相比,在弱纹理以及遮挡区域处理效果更加好。2)针对在像素和像素之间直接进行相似度比较时对噪声十分敏感的问题,本文采用导向滤波进行代价聚合,因为导向滤波具有双边滤波保持边缘的特性,计算复杂度与滤波窗口尺寸无关,所以能够同时满足高效率和高准确度,以使更好地保留图像的边缘。实验结果表明,相比于其他滤波器的立体匹配算法,该算法有更高的精度,计算复杂度与匹配窗口大小无关,具有较好的实时性。3)经过匹配代价计算和代价聚合两个阶段后,本文采用了Winner-take-all策略进行视差计算,在视差精细化处理阶段采用中值滤波和亚像素插值算法来优化视差结果,降低了视差的误匹配率。