立体匹配,即从一对立体图像估计视差信息,是机器人导航、自动驾驶、光电工程和计算机视觉领域的一项基本任务。目前该任务具有各种挑战性的问题,例如遮挡、无纹理区域、具有重复纹理的区域、薄结构物体等。立体匹配的传统算法涉及三个部分:代价计算、代价聚合和视差计算。传统方法通过约束手工制作的能量函数,或通过扫描线的形式在整张图像上计算全局交互,这种形式会消耗大量的计算成本并且准确度较低。随后研究人员引入了卷积神经网络CNN强大的特征提取功能,通过神经网络优化成本计算并与传统的代价聚合方法相结合,极大程度上改善了立体匹配的准确性,但它们仍然不足以在无纹理、遮挡的场景中进行正确的匹配并且难以训练。随着端到端深度学习算法的快速发展,立体匹配算法的准确率显著提高,端到端架构旨在直接估计立体图像的视差,以提高现实场景中具有挑战性区域的鲁棒性。本文主要围绕以下几个问题进行研究:（1）如何解决目前立体匹配算法无法充分利用全局上下文信息的问题;（2）如何对不同大小的目标进行差异性深度值聚类,充分交互跨尺度上下文信息;（3）如何消除现实场景中出现的表面反射以及各种噪声干扰现象;（4）如何以无监督的形式验证立体匹配算法的泛化性能。深度神经网络显著提高了视差估计的准确性。当前的一些方法存在对全局上下文信息的低效使用,这将导致不适定区域中结构细节的丢失。为此,我们全新设计了一个由三个核心模块（GDA、MPF、DCA）组成的立体匹配网络GAMNet,用于在具有不适定的现实环境中估计深度信息。首先,我们提出了一个轻量级的注意力模块GDA,整合了通道和空间维度上每个特征位置的全局语义线索。然后,我们构建MPF模块来融合来自特征金字塔不同层次的语义和上下文信息。最后,我们使用DCA模块和3D卷积组成的堆叠编码器-解码器聚合成本量,过滤匹配线索的传输并捕获丰富的全局上下文。在KITTI 2012、KITTI 2015、Scene Flow和Middlebury-v3数据集上进行的大量实验,证明了GAMNet在保留轮廓细节的视差预测方面超越了之前的方法。此外,我们在无监督模式下为端到端立体网络首次提出了空间抓取点3D场景重建线性评估策略,并将其部署在我们设计的机器人视觉引导系统上。在应用实验中,该方法可以产生密集的高精度3D重建,并以具有竞争力的推理效率完成复杂现实世界场景中的抓取任务,充分体现出本文算法出色的鲁棒性能。