在传统摄影中,相机通过记录不同方向的光线形成像素值,但这导致了光线方向信息的丢失。光场相机克服了这一缺点,在相机主镜头和图像传感器之间插入微透镜阵列,实现了视点的密集采样,并将测量数据转换为不同视点的多视点光场图像。光场图像包含了场景的深度线索,在人脸识别、自动驾驶、三维重建等方面有着有趣的应用。本文基于注意力机制优化深度学习框架,提升模型训练效果,设计构建了光场深度估计算法和光场超分辨移位窗口优化重建方法。主要内容为:1.深度估计是光场研究中最基础但又最困难的问题之一,在深度估计过程中,常常忽略不同子孔径图像之间的相似性且易出现深度估计细节误差较大的问题,针对这一情况,本文设计提出了一种复合注意卷积神经网络CAtt Net（Compound Attention Convolutional Neural Network）,用于从光场图像中获取深度图。为了更有效地利用光场的子孔径图像,减少子孔径图像的冗余信息,在提取主特征后,采用复合注意机制对特征图的通道和空间进行权衡,从而更有效地选择所需视图和视图中的重要区域。本文通过改变特征提取的结构,在不添加额外参数的情况下更有效和有用地提取特征。通过探索光场特性,增加网络深度,优化网络结构,减少光场结构传递过程中的损失。CAtt Net网络可以有效地利用不同的子孔径图像间的相关性和特征来生成高质量的光场深度图。通过实验结果表明,CAtt Net在定量和定性上都优于其他方法。2.重建与深度估计之间的联系非常紧密,但在重建过程中易出现图像混叠伪影和重建结果细节差的问题,针对这一情况,本文提出了一种基于窗口选择的优化方式,使用深度估计图像对光场重建。在输入少量宽基线的光场图像之后,通过重建光场模型获得更多未损分辨率的光场图像。为了更有效关注子孔径图像之间的关联性,在提取浅层图像特征之后,采用具有全局注意力的移位窗口方式对主干进行优化,并通过物理扭曲方式预测出更多视角下的深度图,这种混合扭曲的图像帮助本文探索光场空间-角度关系,恢复光场结构重建出角度超分辨率的光场。通过实验结果表明,基于窗口选择的角度重建是一种有效提升重建效果的方式,是对光场基础结构和深度估计的进一步探索,具有很好的发展前景。