双目视觉作为三维重建的关键技术之一,因其硬件设备简单、对场景变化鲁棒性强等特点,广泛应用于自动驾驶、机器人定位和工业智能制造等领域。匹配算法是双目视觉的核心技术和研究重点,目的是提取高精度的视差图,进而准确获取三维场景的深度信息。然而,随着硬件设备的快速升级,当前的双目视觉匹配算法对高分辨率图像中弱纹理、无纹理、重复纹理、光照变化、遮挡和深度边缘等病态区域易产生误匹配、全局算法计算复杂度高、跨域的泛化性差、无监督的传统算法与深度学习方法不能高效融合等问题,使得匹配算法不能快速获取高精度的视差图。本文围绕上述问题展开了深入研究,其主要创新和贡献包括以下几个方面:（1）针对高分辨率图像中光照变化、反射、弱纹理、无纹理、重复纹理区域难以匹配,提出了基于置信度和多尺度上下文信息融合的局部扩展全局匹配算法HLocal ExpCM,显著提升了对上述病态的的匹配效果和视差精度。首先,该算法在网格结构上融合了局部多尺度上下文信息,增强算法对于上述病态区域的特征表示能力。其次,根据融合了局部多尺度上下文信息的全局算法中数据项能量值的变化,设计了置信度估计模块筛选精准的候选视差平面,并将置信度高的视差平面作为全局算法的输入进行优化。最后,提出了两阶段逐层优化策略,先利用多尺度上下文信息融合的局部算法快速缩小视差平面的搜索范围,再利用置信度估计模块和多尺度上下文信息融合的全局算法交替迭代优化得到高精度的视差图。整个算法在多层分组网格结构上进行优化。实验结果表明,该算法的整体精度高,对不同场景的鲁棒性强。（2）针对（1）中HLocalExp-CM算法计算复杂度高、深度边缘处理较差、匹配效果受限于块大小等问题,首先,提出了基于超像素分割的块匹配算法LPSC,该算法首次提出了融合颜色、梯度和二值图像信息计算两像素点之间的权重,增强了算法对于弱纹理、重复纹理和边缘的识别能力。该算法在每个超像素内快速提取具有局部平面表征能力的特征点,通过空间传播和平面优化对特征点进行非局部匹配算法优化,快速得到候选视差平面集合。将该候选视差平面集合对相应超像素内所有像素进行非局部匹配算法优化,快速获取每个像素的视差。为了实现算法的并行加速计算,采用了包裹超像素的局部块和掩码操作。其次,为了进一步提升对遮挡、弱纹理和深度边缘区域的匹配效果,提出了基于超像素分割的局部扩展算法LESC。该算法在LPSC算法的基础上融合了HLocal Exp-CM算法的逐层优化思想和局部扩展方法。该算法在特征点和超像素优化阶段进行邻域传播和平面优化的非局部算法逐层优化,然后在最大层超像素融合局部扩展方法进行交替优化。实验结果表明了两种算法的有效性,均实现了精度和计算效率上的均衡,在与HLcao Exp-CM算法精度相当的情况下,大幅度提高了算法计算效率。（3）提出了基于深度边缘优化的无监督匹配算法SDCO,在高效提取和保留准确深度边缘的同时,还显著提升了目标内部遮挡、无纹理、弱纹理区域的匹配效果和视差精度。首先,提出了一种新的匹配代价计算方法,融合了颜色和梯度组合、Census变换信息。然后,在算法的优化过程中,根据颜色、梯度和空间距离信息对图像进行分割和优化,设计了包含深度边缘和局部块信息的深度超像素结构,并提出了基于深度超像素结构的平行平面视差图和倾斜曲面视差图优化方法。最后,通过大量的实验结果表明了该算法的有效性,显著优于同类的无监督算法。（4）提出了基于深度边缘和结构优化的自监督双目匹配网络SANet,解决了深度学习方法在无Ground truth进行训练、只有输入图像的情况下获取精度较高的视差图,以及提升跨域的泛化性等问题。SANet网络将无监督匹配算法SDCO与轻量级的深度学习网络相融合,进一步对深度边缘和目标结构进行优化和补全。该自监督网络包含3个优化模块,分别为监督学习、多尺度重构左图、多尺度深度边缘感知。根据网络优化模块的设计,提出了多尺度损失函数进行网络训练。实验表明了SANet网络在不同的数据集上获得了精度较高的视差图,且展现了较好的跨域泛化性。