作为一种新兴三维成像技术,光场成像不仅能记录空间中光线的位置、强度信息,还能捕获传统相机无法获得的与场景深度及与物体三维几何密切相关的光线角度信息。正因如此,光场成像技术近年来在三维重构与测量、三维目标检测与识别等领域得到广泛的应用,并取得飞速的发展。对于空间中的某一物点,在一定距离的两个视角对其成像,在不同视角图像中其成像点坐标位置会有差异,这一差异在计算机视觉领域被称为视差。利用视差及不同视角的标定参数,就可获得该物点与观测平面之间的距离,即物点的深度值。因此,视差信息是获得场景深度信息至关重要的线索。与此同时,光场相机因为其特殊的光学成像结构,通过单次曝光就可获得目标场景多视角的图像信息。利用光场图像丰富的多视角信息,通过设计符合光场结构特性的视差估计算法,就可以实现对目标场景高精度的视差信息获取,为后续基于光场成像的高级视觉应用提供充足可靠的三维数据支撑。因此,对基于光场成像的视差估计算法进行研究具有重要的科研意义及应用价值。然而,利用光场图像对目标场景的视差预测存在许多挑战,如遮挡、弱纹理、噪声等复杂场景对算法精度的影响。同时,由于光场图像多视角的冗余信息以及传统光场视差估计算法较高的复杂度而导致计算时间过长。针对这些问题,本课题从下面几部分内容展开了研究:(一)调研光场成像的基本原理,研究了光场的参数化表征模型以及光场图像的获取方式,从光场的多种表征形式出发对光场视差估计原理及其可行性进行了分析;(二)为提高视差估计精度,从光场重聚焦原理出发,提出了一种基于光场图像多方向部分重聚焦序列对称性的视差估计方法,充分利用光场多视角的有效信息,提高了算法在遮挡复杂场景的计算精度。对HCI-4D光场基准测试集的实验结果表明,较同类型国际前沿算法,所提出方法的计算精确度提升显著;(三)为进一步提高算法精度并减少计算时间,提出了一种融合光场结构特征的基于编码-解码器架构的光场视差估计方法。该方法利用卷积神经网络,一次输入光场图像就能以端到端的方式计算获得场景的视差图,较之于优化的方式,该方法计算量大大减小,计算速度显著提升。为提升计算精度,多路编码模块实现对光场多方向特征提取,特征聚合模块实现对像素点上下文信息的聚合,并在特征聚合的每一个阶段加入了中心子孔径图像不同精细度的结构特征。对HCI-4D光场基准测试集的实验结果表明,较国际前沿算法,所提出方法的坏像素率(BadPix)指标降低31.2%,均方误差(MSE)指标降低54.6%。对基准测试集中的光场图像,深度估计的平均计算时间为1.2秒,计算速度远超对比方法。