深度信息在很多计算机视觉与计算摄像学问题中都起着至关重要的作用,如3DTV,虚拟现实,多视图渲染和自主导航等。然而,受主动传感技术精度的限制,现有的深度相机,例如Time-of-Flight和Kinect,获取的深度图像会受到多种质量退化,如低分辨率,噪声,深度丢失。低质量的深度信息严重影响了其后续应用,因此,对深度图像进行修复重建是一个很重要的问题。在本文中,我们提出了两种利用相应彩色图像信息的深度图像修复算法:1)利用深度图像本身的统计特性以及外部约束,实现了一个高效的深度图像超分辨率框架。虽然深度图像与对应的彩色图像有很强的相关性,但是两者之间的存在明显的结构差异。因此,本文提出结合深度图像本身内部先验与外部指导先验的深度超分辨率方法,即内部平滑性先验和外部梯度一致性约束。首先,由于深度图像是一种分段平滑的信号,我们利用图平滑先验来对其进行恢复。特别的,我们提出了一种新的图拉普拉斯正则化,它可以同时实现归一化、直流分量保持和图频率解释,因此具有比现有滤波器更理想的滤波特性。其次,我们定义了一个图梯度算子,从而引入梯度一致性来强制约束深度图的梯度接近指导图的阈值梯度,进一步弥补了深度图和指导图之间结构差异的问题。最后,将内部和外部正则化转化为一个统一的优化框架。在大量测试数据上的实验结果表明,所提出的方法比现有的彩色图指导深度图超分辨率方法具有更好的性能。2)结合局部流形和非局部流形的特点,进一步提出了一个统一的深度图修复框架,其可以处理各种深度退化情况。我们在单个低维流形提出了这个算法,提供了深度图的局部和非局部几何的低维参数化。一方面,我们定义了局部流形模型,以利用深度图中相邻像素的相关性,从而引入流形正则化来促进沿着流形结构的平滑。另一方面,我们定义了基于块的非局部流形模型,以构建高度数据自适应的正交基,并进一步定义了3D自适应正交谱基的流形阈值算子。3D流形阈值处理保证了流形谱基上信号分解的严格稀疏性,仅保留用于深度图恢复的低图频率。最后,我们结合自适应流形正则化和阈值化,提出了一个统一的优化框架,以规范深度图恢复的逆问题。对比实验证明,在三种典型的深度退化情况下,我们的方法比现有的方法在客观和主观质量评估方面均实现了更好的性能。