立体匹配技术一直是计算机视觉领域中的重要研究方向,不仅在理论方面有广泛的研究价值,在人脸识别、虚拟现实、无人驾驶等实际应用方面也具有很大的探索价值。立体匹配技术最大的困难在于复杂多变的环境,当遇到低纹理、重复区域时匹配难度比较高,所以匹配算法性能需要进一步提高来满足应用场景的需求。本文针对基于卷积神经网络的立体匹配算法展开分析和研究,主要的工作和创新点如下:1)为了提高基于双目视觉中立体匹配在弱纹理场景下的精准性,提出了一种基于注意力机制的立体匹配算法。首先,在CNN特征提取阶段,加入图像注意力机制模块和通道注意力机制模块,获取特征图中各个通道、各个像素点的联系,使网络更好地捕获图像上下文信息,进而对于弱纹理区域的重建更加精确。其次,针对网络损失函数集成了语义编码损失,最终损失函数为语义编码损失和重建损失的加权和,有效提升了在弱纹理区域下的重建精度。使用KITTI2012、KITTI 2015和Sceneflow数据集对算法进行验证,实验结果证明,相比基准算法,本算法在精度方面有较大提升,尤其体现在弱纹理区域,在误差不超过3个像素点的判断标准下超过基准算法4.69%。2)为了提升在无监督学习中立体匹配和光流预测的精确度,提出了一种基于跨模态循环损失的网络框架。目前大多数基于神经网络的立体匹配和光流估计方法都需要大量的真实数据,而获取深度真值一直是立体匹配的难点,所以越来越多的人开始研究无监督学习在立体匹配中的应用。基于光流和视差之间关系紧密,是对同一组图片数据的不同描述,对于这种跨模态的形式,本章设计了一个同时训练光流和深度的网络,在损失函数中引入跨模态循环损失,为光流与深度的协作训练添加了额外限制。最终损失函数为左右一致性损失、前向反向一致性损失、平滑损失和跨模态循环损失的加权和。实验结果证明,本文算法在精度方面有较大提升,在KITTI、NYU-Depth-v2、Cityscapes数据集上都进行了验证,表明与经典的无监督方法相比,该模型更具优势。在KITTI的测试集上相比于基准算法DFNet,本算法准确率提升1.52%。3)为了验证所提出方法在实际应用中的效果,构建了一套基于双目视觉的立体匹配系统,对两种方法进行了实验,一种是运用传统方法,完成了摄像机双目标定、极线校正、图像预处理、立体匹配等步骤。另一种运用本文所提出的基于卷积神经网络的立体匹配算法。构建的系统分为两个模块:数据采集模块和数据处理模块,其优势在于性能高、速度快、成本低、可靠性好并能有效满足系统需求。实验结果表明本文提出的算法可以获得效果较好的立体匹配结果。