近年来,深度学习技术蓬勃发展,自动驾驶技术以及其他移动机器人技术也受其影响而取得了巨大的进步。在这些技术领域中,稠密而精确的深度信息,即距离信息,对于多种任务都有着重要的辅助作用。然而,使用To F传感器或激光雷达采集到的深度图均是稀疏的,因此深度补全任务受到了越来越多的关注。本文针对现有的深度补全算法的局限性开展了两方面的研究。Transformer网络结构在自然语言处理领域和计算机视觉领域均取得了巨大的成功,其中的多头注意力层能构建全局注意力矩阵并对输入其中的特征进行加权,这一处理过程与深度补全任务中的深度值空间传播机制十分契合。因此本文针对Transformer在深度补全中的应用进行了研究,构建了GSPT模型。在本部分研究工作中,本文首先提出深度记忆信息的概念,并将其与稀疏深度图相关信息进行结合,构建了深度值嵌入,并使用Transformer解码单元完成了深度值嵌入信息在全局的空间传播;其次,针对现有Transformer结构不完全适用于深度补全任务的问题,本文对其进行改进并构建了Trans UNet子网络,在提取全局信息的同时完成了深度信息的全局空间传播;最后,从平衡提取全局语义信息与保护局部深度信息的角度出发,完成了本文GSPT模型的编码器设计。本文的GSPT模型在KITTI深度补全验证集和筛选验证集上达到了先进的补全精度,消融实验数据证明了此项研究工作中各项改进的有效性。以三维目标检测为代表的点云处理任务常常将激光点云中每个点的激光反射率数据作为算法输入信息的一部分,然而现有的深度补全算法却均未对反射率信息进行利用,本文提出使用激光反射率数据能够对深度补全过程进行辅助,并围绕如何证明激光反射率的有效性,以及如何设计一种方式以发挥其作用这两个问题开展了研究。在本部分研究工作中,本文首先基于针孔相机成像模型进行了激光点云到RGB图像坐标系的投影,生成了数据集中各样本对应的激光反射率图;其后,本文对激光反射率数据进行分析,并结合现有深度补全模型的特点,设计了激光反射率特征提取网络IFE,以及四种形式的激光反射率特征利用模块IFU,并将其与包括GSPT在内的三个深度补全模型进行了结合。KITTI深度补全数据集上的实验数据表明,本文所设计的IFE与IFU能够为现有深度补全网络带来精度上的提升,消融实验数据表明该种提升的确来源于激光反射率数据,证明了激光反射率信息对深度补全任务的辅助作用。