当今的时代中,深度图在计算机视觉领域发挥着重要的作用,如无人驾驶,三维重建,人机交互等。然而目前深度传感器供的深度图分辨率还不能满足众多应用的需求。因此基于软件算法的深度图超分辨重构算法具有重要意义。深度图相比于普通图片有信噪比低,通道单一,语义匮乏等缺点,所以其超分辨过程相对于普通图片更有难度。如果在深度图超分辨过程中用高分辨的导向图加以辅助,那么重构的精度将能获得很大的升,因此导向图辅助的深度图超分辨重构算法具有极大的实用价值。深度学习在传统图像超分辨领域和导向图辅助的深度图超分辨领域都得到了很好的应用。当今主流的深度图超分辨重构算法利用神经网络从导向图和深度图中取特征并重构,可以有效的避免纹理转移效应。然而,这些方法却存在两个主要缺陷:首先当今主流方法仅仅利用了神经网络后端的高维特征,而没有利用网络前端的低维特征,也没有利用多尺度带来的优势。其次,当今主流方法要么是通过预处理将深度图上采样到目标分辨率再利用神经网络滤波完善,要么是分多阶段每个阶段以2的倍数对深度图进行超分,然而无论哪种方法的放大倍数对边缘本来就模糊的低分辨深度图来说都太大了,造成放大后的深度图更加模糊,失真,边缘不能有效对齐导向图,这样导致网络不能有效修复图片。本文主要针对上述两点缺点,各自出了解决方法。本论文主要工作和贡献点包括:1.针对上述缺点中第一点,本文利用跳跃连接出了密集连接的联合深度图超分辨网络,用级联的小尺寸卷积核增强网络的感受野和拟合能力,在卷积核之间连接密集的跳跃连接以连接帮助信息流传播,让网络浅层特征直接连通到底层。此外还构造了多尺度路径帮助网络学习复杂的结构信息,并有效地缓解了梯度消失问题。本文在Middlebury,SUN-RGBD,Lu和NYUv2四个数据集上与主流方法进行对比,量化和主观视觉对比结果均证明了所出的方法的有效性。2.针对上述缺点中的第二点,本文出了拉普拉斯金字塔结构的小步长多阶段的深度图联合超分辨网络。以小于二倍的分数代替现有方法中的放大倍率,渐进式的对深度图进行上采样,并以更多的放大阶段对不同尺寸的导向图取特征以获取更充分的多尺度导向信息辅助超分辨过程。在Middlebury 2001,2003和2005数据集上与主流方法进行了量化和主观视觉的对比。结果证实了我们出的小步长多阶段超分辨网络的优越性。