计算机视觉是一门致力于使计算机通过二维图像来认知三维环境信息的学科,其中,双目立体视觉技术凭借其普适性、灵活性和成本低的特点,受到了诸多学者的青睐,在自动驾驶和三维重建等前沿研究中有着广泛应用。而立体匹配是双目立体视觉中最核心的一个环节,由于遮挡、弱纹理或纹理重复等“病态区域”的匹配难度大,存在匹配效果不佳导致深度信息输出不准确的问题,立体匹配一直是学者们研究的重点和难点。近年来,随着深度学习在目标跟踪、语义识别、图像分类等应用中的出色表现,利用深度学习解决双目视觉中的立体匹配难点问题成为了一个新的研究方向。本文主要的研究工作如下:针对深度学习方法中神经网络收敛速度过慢和网络振荡而不收敛的两个问题,本文进行了基于学习率算法的网络训练收敛速度的研究。在学习率退火算法的基础上,本文改进了一种分段衰减并结合周期脉冲扰动的学习率设置方式,仿真和实验数据表明,针对民族服装分类,相对恒定学习率、预热重启学习率和指数衰减学习率算法,改进学习率的算法在网络准确度达到80%的情况下,迭代次数从317、159、104降低到80,明显提高了收敛速度。针对“病态区域”的左右图像往往有多个对应点或无对应点的问题,本文进行了基于深度学习的双目立体匹配方法研究,通过搭建端到端的3D卷积神经网络,充分利用上下文信息,通过视差回归输出了高质量深度图。仿真和实验数据表明,本文所改进的基于深度学习的立体匹配算法在Middlebury数据集中的视差估计误差率仅为7.74%,与五种经典方法(Dense-CNN,SGM,MC-CNN,i Res Net,PSMNet)相比,分别降低了0.77%、13.09%、0.9%、17.78%、36.97%。并且能够满足实时性要求,在输出精确的深度图像的同时完整保留图像细节特征。