表面法线蕴含物体表面三维结构信息,在计算机视觉和计算机图形学等领域都有重要作用。偏振光与物体的表面形状存在着特定的光学关系,可由偏振信息估计表面法线。但偏振法线的计算存在着角度模糊性以及图像噪声等问题。角度模糊性是由于镜、漫反射模型的不确定以及天顶角、方位角的歧义性,而噪声带来的估计误差也难以避免。克服偏振法线角度模糊并提升法线估计的精度,是本文研究的核心。在总结前人工作的基础上,本文提出利用深度学习克服偏振法线计算存在的角度模糊性,利用优化后的偏振法线作为先验信息结合图像特征实现信息融合,从而最终实现高精度的物体表面法线估计。详细工作如下。现有的法线估计网络大多采用图像强度信息作为输入,但图像强度信息与物体表面法线之间的关联性并不明显。对此,利用已知的偏振信息与物体表面法线的光学模型,本文提出采用偏振信息作为网络的先验,计算所有潜在光学模型的偏振法线的结果,作为求解偏振法线的初始可行解集合。针对偏振法线存在方位角、天顶角的歧义性和图像噪声等问题,本文提出采用偏振法线预分类网络来对所有偏振法线的可能性进行分类,求解出偏振法线的初始解,为法线估计网络提供一个良好的初始解和迭代方向,降低下一步法线估计网络的求解难度。针对图像信息特征和偏振法线的信息融合,本文提出采用分层结构的法线估计网络将两者进行融合,减少偏振法线计算中由方位角歧义性等带来的误差,采用SPDA Norm等方法保证输入信息能够有效传递到网络的高维空间,从而保证法线网络的估计精度。在DeepSFP数据集上与4种方法对比,验证了所提方法在法线估计精度上的优势。相比于DeepSFP方法,本文方法在平均角度误差上取得4.30°的精度提升,在高精度法线估计任务,即估计误差小于11.25°任务中,本文方法至少提高约9%,并大幅（>37%）优于传统SFP方法。