光流计算是图像处理和计算机视觉等研究领域的一项基础任务,旨在从连续图像序列中计算得到各个像素点的二维运动。光流中包含了丰富的运动信息,被大量计算机视觉任务用作运动信息。因此,研究光流计算技术的关键问题是如何从图像序列中恢复准确、稠密的光流场,从而为其他计算机视觉任务提供可靠的图像序列运动信息。21世纪以来,计算机软硬件技术水平不断发展,光流计算技术已被广泛应用于动作识别、人体姿态计算、目标跟踪、障碍物检测和自动驾驶等众多领域。近年来,随着卷积神经网络（Convolutional Neural Network,CNN）在计算机视觉各个领域的大规模应用,基于深度学习的光流计算方法成为该领域研究的热点,光流计算的精度和鲁棒性得到了显著提升。虽然现有的深度学习光流方法针对Middlebury、MPI-Sintel和KITTI测试集的平均计算精度已取得优异表现,但是当图像序列中包含运动遮挡及复杂场景时,光流计算的鲁棒性和边缘模糊问题仍然是制约该项研究发展的重要挑战。针对以上问题,本文主要研究基于深度学习的运动遮挡场景光流计算技术及边缘优化策略,旨在提升运动遮挡场景及复杂场景下光流计算的准确性和鲁棒性,并克服光流计算的边缘模糊问题。本文的主要研究内容如下:1.首先介绍了光流计算技术的研究意义与背景,然后归纳总结了光流计算技术的研究现状以及现存的关键问题,最后阐述了本文的主要贡献和章节安排。2.首先介绍了基于卷积神经网络的光流计算原理,然后介绍了现有的光流计算数据集,最后对光流计算领域常用的评价指标进行了归纳总结。3.针对运动遮挡场景光流计算的准确性和鲁棒性问题,本文提出一种基于多尺度上下文信息的遮挡-光流联合估计方法。首先,利用具有不同扩张率的多条并行卷积分支,构造多尺度上下文（Parallel Multiscale Context,PMC）运动遮挡检测模块。然后,构建基于特征金字塔的遮挡检测与光流估计网络模型,设计运动遮挡与光流交替优化的联合估计方法。最后,分别采用MPI-Sintel和KITTI测试数据集对本文方法以及现有的代表性光流计算方法进行综合测试与分析。实验结果表明,本文方法具有更高的光流估计精度,尤其在运动遮挡场景下具有更好的鲁棒性。4.针对复杂场景下光流估计的边缘模糊问题,本文提出一种轻量化光流边缘优化方法。首先,根据空间运动一致性守恒假设,设计图像序列位移场估计方法,获取连续帧图像间运动边缘像素点位移矢量。然后,构造基于图像序列运动残差场和位移场的光流边缘优化网络模型,提升运动边界区域的光流计算准确性。最后,将本文光流边缘优化方法应用于多种典型的深度学习光流计算模型,并采用MPI-Sintel和KITTI测试数据集对不同方法进行测试。实验结果表明,本文提出的光流边缘优化方法能够有效提高光流估计的平均精度,尤其在运动边界区域具有显著的边缘保护特性。