随着计算机视觉技术的不断发展,双目立体视觉作为计算机视觉的重要组成部分,一直是学者们研究的热点。立体匹配作为双目立体视觉中最为关键的环节,通过寻找双目图像的对应点,为目标场景提供准确的深度信息。然而,图像获取过程会受到景深、对焦、大气湍流等因素影响,导致双目图像出现不同程度的散焦模糊降质,影响视觉对应性,降低立体匹配的精度。近年来,深度学习已经在图像分类、目标检测、语义分割等诸多领域取得了巨大的成功,并且在立体匹配方面有所突破。如何使用深度学习技术提高散焦双目图像的匹配精度,仍是目前亟待解决的问题。因此,本文对深度学习技术以及散焦图像立体匹配方法进行了分析与研究。主要工作和创新性如下:1、以散焦双目立体视觉成像模型为基础,分析了散焦图像的成因,推导出了模糊程度与立体匹配视差的计算关系;采用模糊核信息作为图像模糊程度的度量,将模糊度作为散焦图像立体匹配的一种相似性度量,加入到传统图割算法的能量函数中;使用改进图割算法对图像进行立体匹配,经过迭代计算得到最终视差结果。使用合成图像与真实图像进行算法验证,实验表明该算法可以有效提高散焦图像的匹配效果,且对于不同模糊程度具有一定的鲁棒性。2、提出了一种基于卷积神经网络的散焦图像匹配代价算法。使用神经网络进行图像块的多尺度特征提取以及相似性判断,提高了散焦图像相似性度量的准确性。对多个数据集进行模糊处理,得到合成模糊数据集,用于网络的训练与测试,最终得到针对散焦图像的匹配代价计算网络,可以为后续立体匹配步骤提供准确的匹配代价。使用该算法进行立体匹配实验,结果表明对于散焦图像而言,所提算法优于传统匹配代价计算方法。3、提出了一种基于卷积神经网络的散焦图像立体匹配算法。在基于卷积神经网络的匹配代价算法的基础上,引入模糊补偿策略以提高散焦图像的匹配准确性,加入基于十字形自适应窗口的代价聚合方法与半全局代价聚合方法,经过迭代计算得到视差结果。使用合成图像进行立体匹配实验,结果表明所提算法可以提高散焦图像的匹配精度。搭建实验系统进行外场实验,使用真实散焦图像进行立体匹配,可以得到准确视差图与三维点云。