在人类视觉功能中,利用双眼进行场景中某个目标的深度定位是一项非常便利又关键的功能。深度信息在当代计算机发展进入高速稳固的时期,发挥着十分重要的作用。立体视觉系统是对人类视觉功能仿真的计算机视觉方法之一,通过利用两个同步的相机来模拟人类的双眼,使用立体视觉算法获得目标的深度距离。其中,通过立体匹配来获取视差既是最复杂的一步,同时也是立体视觉中最为核心的环节。随着视觉算法的发展,立体匹配方法层出不穷,传统方法在速率和精度上都有飞速的发展。同时现阶段,深度学习由于其在目标检测、图像合成等视觉方向上不凡的表现,使用卷积神经网络来进行立体匹配的工作不胜枚举,如何设计合适的网络来实现高精度和高速率的视差计算仍是一个亟待解决的难题。本文基于块匹配网络的思想,通过改进特征提取网络结构、分类网络结构以及训练收敛使用的损失函数,构建了一种在视差获取的精度和效率上都有一定竞争力的匹配方法。本文的主要贡献如下:1)针对传统块匹配网络耗时较大的现状,首先设计了一种“缩小型”分类网络结构,同时结合批归一化层缓解了梯度消失问题,这种结构在网络收敛的方面也有一定的提速作用。改进后网络结构节省了大量运行时间并且视差的精度也有一定的提升。2)将残差网络与特征提取网络相结合,弥补了单纯加深网络反而造成网络测试精度下降的缺陷。同时,针对以上的两种改进分别设计两种基于交叉熵损失函数的改进,实验证明改进后的网络和损失函数相比传统的块匹配网络有更好的表现,并且在耗时上也有相当明显的下降。3)在改进深度学习方法前,同样也对传统分割方法改进了能量函数,通过在图像分割和拟合的过程中增加梯度信息并使用插值等优化手段,实现了稠密视差的获取,与经典的分割方法以及其他传统方法相比也有较强的竞争力。本文算法在改进块匹配网络结构和损失函数的情况下,相比改进前的块匹配网络方法在降低了视差误差的同时,运行速度提高了约32%。同时,改进后算法生成的视差主观图相比一般算法减少了误匹配和视差错误块,能够获得更稠密准确的视差图,运用于深度测量和三维重建等领域有更高的准确性。