人类通过视觉来感知外部世界,随着科技的发展和社会的进步,机器视觉已经成为当今最为热门的研究方向。而摄像机标定作为机器视觉领域所有技术实施的前提,是必不可少的关键步骤。相机标定的目的就是利用二维图像信息计算得到三维空间信息,其最终的结果是否足够准确对机器视觉的相关领域有很大影响。本文先介绍了摄像机标定的相关理论知识,对标定过程中用到的坐标系及起推导过程进行解释说明,最后补充介绍了几种具有代表性的相机标定方法。其次,提出了一种基于双神经网络的相机标定方法。利用神经网络的相机标定中多数方法利用单个训练集训练整个模型,既要拟合其中的非线性畸变关系,又要拟合基于小孔成像的线性关系,同时对于三个坐标轴不同的成像规律也需要拟合,增加了神经网络的负担。基于双神经网络的相机标定方法从相机成像模型出发,考虑了相机坐标Zc会增加神经网络拟合难度,将成像模型简化成两个函数关系式,分化了单个神经网络的任务量的同时又充分遵循了成像模型。在matlab编程环境中对该方法进行了实验验证,并通过实际标定结果分析了本文提出的摄像机标定方法的可行性及准确性。之后,在基于神经网络的相机标定的基础上进一步对镜头畸变进行研究,为了增强畸变校正方法的实时性和适用性,提出了一种基于深度学习的单幅图像畸变校正方法。首先,使用具有自校准功能的运动结构（SfM）对真实相机拍摄的图像序列进行重建,以估计相机参数,拟合出第一、第二阶径向畸变参数之间的函数关系;然后,根据第一、第二阶径向畸变参数之间的函数关系,生成常见径向畸变范围内的图像,解决缺乏带有第一、第二阶径向畸变注释的畸变图像问题;最后,利用CNN强大的学习能力学习径向畸变的特征估计径向的变形情况,将输入图像映射到畸变系数,实现图像的畸变校正。通过实验对本方法的畸变校正性能进行了定量的分析,并与传统相机标定方法进行比较,证明了本文方法估计径向变形的能力。