双目立体视觉技术是计算机视觉中的一个热门的研究方向,被广泛应用在机器人导航、三维重建等领域中。其中双目立体匹配方法的精确性对立体视觉的效果有直接的影响,因此提高双目立体匹配中匹配精度对促进计算机视觉的发展有着十分重要的意义。本课题主要研究了双目立体匹配相关方法。首先介绍了双目立体匹配的基本原理与国内外的研究背景,其次设计了基于CNN的双目立体匹配方法并对网络结构的性能进行实验分析。论文的主要研究内容可以概括如下:(1)设计了基于2D卷积的残差网络结构用于计算匹配代价。使用孪生网络的结构,使网络结构中的权值共享,同时使用基于2D卷积的残差网络结构提取上下文特征信息,保证了提取的特征信息具有双目视图的相关性信息。(2)设计了基于3D卷积和3D反卷积的代价聚合模块。使用基于残差网络结构的3D卷积对初始匹配代价集进行代价聚合,不仅扩大了卷积核的特征感受野,同时增加了网络模型可学习的特征信息数量。由于3D卷积增加了网络的计算量,采用先下采样后上采样的方法既降低了计算量,又恢复了下采样后小尺寸特征图中的信息。(3)将半全局立体匹配算法的多方向聚合方式添加到端到端网络结构中。相比于3D卷积的代价聚合方法,使用半全局立体匹配的聚合原理可以获得更大的聚合窗口,同时端到端网络结构可以自适应的为半全局匹配算法提供所需要的权值和参数,比3D卷积的固定权值的聚合方法更加灵活且高效。为了防止在训练过程中出现了过拟合的问题,采用迁移学习对课题设计的网络结构进行实验,将SceneFlow中的数据进行预处理,得到预处理模型后使用KITTI的训练图像集合进行微调,分析其中网络结构的参数对网络运行时间和误匹配率的影响。同时使用不同算法与课题提出的算法进行对比实验,比较视差图的误差百分比和效果。实验结果表明,课题设计的方法能有效地完成立体匹配的任务,并获得较精准的视差图。