对图像进行三维重构时最重要的一环是恢复景物的深度,在目前计算机视觉研究领域中,大多数深度恢复算法都是利用聚焦图像来恢复景物深度的,如基于立体视觉的深度恢复算法和基于运动的深度恢复算法等等。这些算法相对来说精度比较高,但是它们必须首先解决复杂的对应点匹配问题,利用散焦图像恢复深度则可以比较容易的避免这个问题。本文主要对散焦深度恢复算法进行研究。　　本文首先总结了计算机视觉中常用的深度恢复方法。计算机视觉中常用的深度恢复方法主要分为两类,一类是利用单视点拍摄的一幅或者多幅图像来恢复深度的单目视觉深度恢复法;另外一类是利用多视点拍摄的一幅或者多幅图像来恢复深度的多目视觉深度恢复法。然后介绍了散焦图像深度恢复方法的研究现状以及散焦图像的成像模型,并结合成像模型以及相应的光学知识分析了基于散焦图像的深度恢复基本原理,介绍了最早的也是比较经典的Pentland散焦图像深度恢复方法和基于空间域的多项式法以及近几年提出的最小化代价函数法,并且总结了散焦深度恢复算法精确度不高的原因。　　最小化代价函数法代表目前散焦图像深度恢复算法的最新发展方向,基于几何光学的深度恢复算法就是其中的一种。基于几何光学的深度恢复算法所采用的代价函数是模拟模糊图像和拍摄模糊图像之间差的欧氏模,其中所用到的散焦图像是通过改变摄像机的像距来拍摄到的,而像距的改变会使景物图像的大小发生变化,所以在进行深度恢复前必须解决图像的大小匹配问题,但现在用来解决大小匹配的算法一般来说不易实时实现。本文分析了散焦图像的各种获取方式,通过改变光圈大小来得到散焦程度不同的图像,以此来避免图像大小匹配问题。在基于几何光学的深度恢复算法中,深度优化过程采用的是穷举搜索法,但深度的解空间是连续的,使用穷举搜索法来求解深度不可避免的存在精确度不高和效率低的问题,本文使用具有全局优化功能的自适应遗传算法来代替穷举搜索法,以提高其精确度。实验结果表明,改进后的算法是有效的。