双目立体视觉在获取场景深度信息上具备着易扩展、低成本和场景适应性强的特点,因此被广泛应用于无人驾驶、增强现实等众多前沿领域。近年来,基于深度学习的方法己经扩展到立体匹配等问题中。与传统的方法相比,基于卷积神经网络的方法能够显著提升立体匹配的准确性和运行效率。本文算法从以下两个方面来解决当前双目立体匹配工作存在的问题。（1）针对立体匹配算法在弱纹理区域匹配精度低的问题,本文通过将特征金字塔与空洞卷积融合,设计了一个基于多尺度特征提取的立体匹配算法FPD-Net。特征金字塔和空洞卷积的融合可以在实现多尺度特征提取的同时,增大高层特征的感受野,获得更多的全局特征,而且还可以有效的降低小尺寸物体细节信息的丢失。其次,为了加快立体匹配的运算速度,将Patch Match的思想引入到了算法当中,通过对特征图的修剪,去除不太可能的匹配区域,获得了稀疏的代价量,大大降低了算法的计算量以及内存的占用量。本文设计的算法与同样是多尺度特征提取的PSMNet相比,本文算法在提高立体匹配精度的同时也加快了算法的速度,性能优于PSMNet。（2）针对目前端到端的立体匹配算法在复杂场景下出现的误匹配问题,本文提出一种基于多尺度注意力特征融合的立体匹配算法AFPD-Net。通过将兼顾空间信息与通道信息的注意力机制与改进后的特征金字塔相融合,算法在特征提取阶段加强感兴趣区域的提取强度,并且抑制无用噪声,捕获丰富的全局上下文信息和长范围依赖,提高了特征的多样性,降低算法在病态区域的误匹配率,使得算法可以面对复杂场景的挑战。其次,为了降低模型的复杂度,较少算法的运算量,将网络中的非线性激活函数替换成了一种可以自适应激活的非线性函数,它可以自适应的学习激活与否,从而提高网络的泛化能力。本文通过在Scene Flow、KITTI2015以及KITTI2012三个公开的双目视觉数据集上对本文算法的有效性进行验证。因为PSM-Net算法与本文提出的FPD-Net算法在结构上十分相似,所以将这两个算法进行了对比。实验表明,本文所提FPD-Net算法在精度超出PSM-Net算法的同时,运算速度也获得了一定的提升。由于AFPD-Net算法是在FPD-Net算法上做出的改进,所以同样将这两个算法进行了对比。实验表明,改进后的算法在病态区域的匹配精度要明显高于FPD-Net算法。