光场相机作为一种具有革命性的光学采集系统,其在深度估计这一问题上拥有其他方法所不能比拟的优势,引起了学者的关注。本文从深度估计的实际效果出发,研究基于光场信息的场景目标深度估计方法,并利用超分辨率重建算法对深度估计效果进行提高。本文从光场理论的发展历史与基本原理入手,阐述了光场信息获取的几种主要方法,研究了现有光场相机的解码流程和主要的几种光场数据预处理方式,并根据研究对实地采集的光场数据进行处理。随后本文对基于学习的深度估计算法进行研究,设计了新的网络结构,通过视图选择模块对输入的光场图像不同视图的重要性进行学习,并结合新的算子involution,更好地估计场景深度。最后为了解决光场图像出现的深度估计结果分辨率不足的问题,本文对现有的图像超分辨算法进行研究,并结合迁移学习的相关知识,优化基于反馈机制的超分辨率重建方法,完成从彩色图像到深度图像的任务迁移,提高深度图的空间分辨率。实验结果表明,深度估计部分,在对于公开测试数据集的估计上,本文采用的方法较好的估计场景目标深度,相较于其他方法,本文方法深度估计结果更加准确,在均方误差和坏像素指标表现都更加优秀。在实地采集数据的估计上,本文方法对较近场景目标表现较好,但较远场景目标表现较差。深度图超分辨重建部分,本文采用的方法能有效提高深度结果的分辨率,且相较于其他方法,本文的方法表现更好,重建结果更加接近原始图像,在主观评价和峰值信噪比等指标都优于其他方法。