随着计算机软硬件水平的不断提高,计算机视觉技术的研究得到了充分发展,目前在各行各业里都有广泛应用。光流法是处理运动图像序列的重要技术手段,计算得到的光流包含物体在真实世界中的结构、位置及空间运动信息,可以用于物体的定位与识别,因此在自动驾驶、视频分割和视频语义理解等领域都有重要的应用。光流可以为其他计算机视觉任务提供丰富的底层信息,其精度和稠密度对各类应用具有重要的影响。传统光流方法的运行速度通常无法满足实际应用中的实时性要求,近年来,卷积神经网络已成功地应用于光流估计领域。卷积神经网络的推理阶段速度很快,可有效解决传统方法实时性差的问题,然而由于真实场景下的稠密光流真值很难获取,用于光流估计的学习网络通常利用合成数据集进行有监督训练,在真实场景中测试时往往无法取得理想的结果。本文提出了一种无监督学习光流方法,该方法分为改进特征金字塔网络、光流估计网络和无监督训练三个部分。改进特征金字塔将空洞卷积与特征金字塔网络相结合,使网络可以提取到包含更多运动信息的多尺度特征,首先利用两个共享网络权重的分支网络分别提取两帧图像的多尺度特征,并对不同尺度下的特征图进行特征匹配,之后将匹配结果作为光流估计网络的输入,推测出当前尺度下的光流结果,并利用正反一致性校验算法计算遮挡区域,排除遮挡区域对计算精度的影响。最后,本文利用Census变换构建无监督损失函数,以此规避有监督光流方法的弊端,利用其对网络无监督训练,通过迭代逐渐提升多尺度光流结果的精确度。本文在MPI-Sintel数据集和KITTI数据集上验证算法的有效性。