深度信息被广泛应用于目标识别、三维重建、机器人导航、3DTV等领域。随着低成本深度传感器如微软Kinect系列的发布,深度数据应用领域发生了重大的变革。由于这些传感器拥有实时、快速获取深度图像和彩色图像的能力,使其可用于实时三维重建、骨骼追踪、图像识别等领域。这类设备采集的深度数据存在信息丢失的情况,导致深度图像中存在较多噪声和大面积信息丢失的空洞区域,限制了它们的推广应用。因此,对这些低精度的深度图像进行修复来获取高质量的深度图像是很有研究意义的。本文首先介绍了深度信息的使用背景和深度图像的修复意义,然后对Kinect深度传感器的成像原理进行说明,分析了深度图像空洞区域产生的原因以及修复难点。基于Kinect设备,对其深度图像的修复算法进行了研究,主要研究和成果有:(1)提出了一种最小生成树图像分割指导的深度图像修复算法,引入了基于最小生成树的图像分割算法,对彩色图像进行分割,从而构建引导信息指导深度图像的修复;(2)基于快速行进法的修复顺序,对空洞区域进行修复,并对快速行进法的权值函数进行了改进;(3)提出了一种局部分割指导的深度图像修复算法,通过结合局部分割的思想,提取彩色图像中对于深度图像修复有意义的区域,提高了构建引导信息的效率;(4)提出了一种空洞类型判别算法,以判断深度图像中空洞区域的种类。最后,本文采用多组深度图像和彩色图像数据进行了实验,并与一些近年来流行的深度图像修复算法进行了对比。通过客观的量化指标和主观的视觉效果的比较,验证了本文提出的两种算法的优势和有效性。