双目立体视觉作为计算机视觉领域存在时间最久的问题之一,旨在通过二维图像恢复场景中的三维信息,在自动驾驶、测绘制导以及虚拟现实等多项三维视觉应用中发挥重要作用。本课题依托中兴通讯公司委托研究项目—“自动驾驶中视觉定位关键技术及知识产权布局”,主要围绕双目立体视觉中的相机成像模型、标定方法、立体匹配和三维表面重建进行研究,并将立体匹配网络构建与稠密表面重建方案设计作为研究重点。本文提出的方法在立体匹配公开Benchmark测试中实现了SOTA（State-Of-The-Art）性能,并在三维表面重建中生成了高质量目标模型。论文的主要工作与贡献如下:首先,针对目前立体匹配网络采用编码器-解码器结构获取图像上下文信息时损失重要细节特征的问题,本文提出了一个残差空间金字塔池化与通道注意力机制集成模块,在更大的感受野下捕捉分层的多尺度上下文信息,进而获取丰富的局部和全局特征,同时融合通道注意力机制对判别性特征进行选择性增强,消融实验结果验证了所提出模块在提高网络预测性能方面的有效性。其次,为改善目前立体匹配网络中由于全局一致性依赖关系捕获能力受限而导致的匹配模糊问题,本文设计了一种嵌入式多级注意力子网络,并将其整合到立体匹配骨干网络中以提高像素级匹配精度。子网络采用基于学习的多级注意力机制捕捉全局上下文信息,为骨干网络提供三个必要的注意力信息流,分别用于改善像素级一元特征表征,引导代价体积的校准修正,以及进一步细化初始视差图。实验结果表明所提出的多级注意力子网络和立体匹配骨干网络的紧密协同整合可以显著提升视差预估精度,并在实际应用场景的测试中生成高鲁棒性预测结果。最后,针对基于视差图构建的稠密点云集合中偏离正常范围的异常点,本文提出了一种基于统计学与基于半径搜索相结合的异常值筛选移除策略,该策略在处理过程中对远离点云主体的离散点表现出高度敏感性,同时对呈稀疏球体分布的离散点表现出更强的移除能力。本文采用基于poisson方程的隐式曲面重建方案处理经过异常值筛选移除的点云集合以生成目标三维模型,实验结果表明,所提出的点云异常值筛选移除策略可以取得显著的效果增益,使目标模型重建质量得到明显提升。