深度图在计算机视觉领域里具有重要的作用，因为它提供了一条有效的线索（深度数据）来刻画和理解现实世界中的物体和场景，这些是普通的视觉图像所不能代替的。近年来随着深度图获取的普及，关于深度图应用的研究逐渐成为一个热点。然而无论是通过3D扫描设备直接获取的深度图还是由标准的视觉算法计算得到的深度图都无法直接进行应用，因为这些深度图中都包含了大量的噪声。因此构造有效的算法对噪声深度图进行修复是一个亟需解决的问题。近年来流行的稀疏去噪模型有效的将图像的稀疏表示与字典学习技术相结合构造了自适应字典的稀疏表示模型，在图像的去噪与修复上取得了巨大的成功。与使用固定字典（如由余弦变换基或者小波基构成的字典）的稀疏表示模型相比，该模型通过图像样本对字典的训练使得字典能够自适应的学习当前所给图像的细节结构信息，因而能够更好的表示图像。鉴于在图像去噪上的成功，近两年来有相关研究者尝试将该模型用于深度图的修复。虽然基于字典学习的稀疏表示模型也能够自适应的获取深度图的结构信息，但对于深度图像的修复却缺乏鲁棒性。因为该模型是基于平稳的白高斯噪声假设而建立的，该假设对于普通图像一般成立，然而在深度图中除了轻微的高斯噪声外更多的是一些奇异点，遮挡块，边缘处的不确定像素点等非高斯噪声。实验表明这些非高斯噪声点不但会误导字典学习一些非正常的结构信息而且还会严重干扰稀疏编码的求解，从而极大的降低了深度图的修复效果。为了克服基于字典学习的稀疏表示模型对深度图修复缺乏鲁棒性的问题，本文构造了一种新的字典学习稀疏表示模型ILSR(Iterative Learning SparseRepresentation)。ILSR算法能够自动检测深度图中的坏点（被非高斯噪声严重污染的象素点）并通过构造混合深度图的策略逐渐消除非高斯坏点噪声对字典学习和稀疏求解的干扰作用。在整个算法框架中，坏点的检测和字典的学习融入了一个交替迭代的稀疏表示过程中，并在迭代的过程中使用自适应阈值进行稀疏编码。通过几次迭代修复，该算法在保持深度图细节结构的同时有效的移除了图中的噪声信息，最终修复出高质量的深度图像。为了进一步改善ILSR算法的性能，增强鲁棒性，提高修复速度，本文将中值滤波与ILSR算法进行有效的结合构造出两阶段深度图修复算法S-ILSR (Speed Iterative Learning SparseRepresentation)。第一阶段称之为快速修复阶段，在该阶段通过中值滤波对大噪声进行快速的消除并通过构造混合深度图实现对深度图的快速粗糙修复。第二阶段称之为深度修复阶段，在该阶段通过迭代稀疏重构模型对残存的噪声进行进一步移除从而实现深度图的高质量精细修复。为了验证本文方法的有效性，在公开的USF库和Middlebury库上进行了一系列的对比实验。实验结果显示，本文所构造的鲁棒性字典学习稀疏表示模型能够有效的移除深度图中的噪声，实现对深度图的高质量修复。