由于采集设备自身的局限以及采集环境因素的影响,获取场景中稠密并且精确的深度信息依然十分困难,例如使用Kinect拍摄光滑物体表面时深度图中会产生空洞,在室外环境中使用激光雷达所获取的深度信息也非常稀疏。本文将利用卷积神经网络对稀疏深度图进行修补,以产生稠密的深度图。本文所做主要工作如下:（1）提出了边缘距离场的概念,设计了边缘引导卷积层。首先将深度边缘图根据定义规则转换成边缘距离场。之后,借助于边缘距离场,边缘引导卷积层不仅可以考虑深度数据的稀疏性,传递数据置信度,而且可以保持深度图修补过程中深度边缘的清晰,提升修补效果。（2）设计了一种基于边缘引导卷积的稠密深度图生成网络（EGCNN）,包括深度边缘提取模块、边缘引导修补模块、多尺度优化模块。深度边缘提取模块接受RGB图像的高频分量和利用现有算法对稀疏深度图进行修补后的稠密深度图作为输入,通过结合二者互补的边缘信息,得到较准确的深度边缘。边缘引导修补模块借助于边缘引导卷积层,通过输入稀疏深度图、图像置信度和边缘距离场,提取不同尺度的深度信息,进行稀疏深度的修补。多尺度优化模块对边缘引导修补模块的输出进行处理,使用基于标准卷积层的三个级联沙漏网络,结合RGB信息进一步优化修补结果。（3）通过与稀疏不变卷积、置信度传播卷积进行对比实验,验证了边缘引导卷积的有效性;通过对比使用不同深度边缘的修补效果,验证了边缘引导卷积的鲁棒性。此外,实验评估了不同边缘距离场定义规则对边缘引导修补模块性能的影响。消融实验也显示了多尺度优化模块对整体网络性能的积极影响。同时,与其他算法的对比实验证明,本文提出的模型具有较强泛化能力,在多个数据集、不同稀疏度下都有着优于其他算法的良好表现。（4）进一步将本文模型应用于行人检测领域。实际应用中,利用RGB图像和原始稀疏深度信息生成边缘距离场,根据边缘距离场和RGB图像引导修补深度图,从而得到稠密深度图,将其与RGB图像相结合得到较好的行人检测结果。实验结果表明,将本文模型应用于行人检测领域能有效提升检测效果。