室内场景的三维感知与重建一直以来都是计算机图形学和计算机视觉领域热门的研究课题,而高质量的深度图像的获取是研究、理解和重建室内三维场景几何信息的关键。目前获取室内场景深度图像有主动式和被动式两种方式。主动式是指通过消费级RGB-D相机主动扫描来获取物体的深度,但当被采集表面过于光滑、高光、太过纤细以及不在相机采集范围之内时,采集到的深度图像会出现深度数据的缺失。被动式是指通过算法来建立“RGB图像-特征-深度”的映射关系,从而获取对应的深度图像。但当前存在的深度估计算法未充分考虑到RGB图像中隐含的几何信息,导致重建的深度信息精度不高。此外,由于硬件设备所限,无论是主动式获取还是被动式估计得到的深度图像普遍存在着分辨率不高的问题。这会对深度图像的下游应用带来不利影响。本文针对这些存在的问题,对室内深度图像的修复与重建进行了以下几方面的研究:(1)针对当前室内场景RGB-D数据集中的深度图像缺少缺失区域的深度真值进而导致无法将基于学习的策略应用到深度图像补全任务的问题,提出了一个基于随机掩码和“真实-合成”数据联合训练的策略,从而可以将当前大量大规模的RGB-D数据集应用到深度图像补全的任务上。接着,本文在此策略的基础上,提出了一个融合RGB图像特征的多尺度的深度图像补全模型;(2)提出了一个融合法向量和边缘特征信息的深度图像估计模型。该模型通过从RGB图像中提取法向量和边缘特征,并在不同尺度和RGB图像中的原始特征融合,进而提升深度估计的准确度;(3)分别提出了在没有配套RGB图像下的基于适应性权重卷积的深度图像超分辨率模型和在高分辨率RGB图像指导下的深度图像超分辨率模型。实验表明,相较于其他对照方法,本文提出的方法在室内场景深度图像修复与重建方面,准确性和鲁棒性方面均有较大提升。