深度图像超分辨率（Depth map Super-Resolution,DSR）是一个将低分辨率深度图像重建为高分辨率深度图像的技术,对于深度图像的应用如3D重建、姿态估计、自动驾驶等具有重要意义。然而,由于深度传感器自身性能的限制以及成像环境的复杂性,很难直接获取高质量、高分辨率的深度图像,需要后续的深度增强技术对获取的低质量、低分辨率深度图像进行恢复。本文从提升深度超分辨率算法的性能及实用性出发,提出了两个深度图像超分辨率框架。在对该领域的探索中发现,对低分辨率深度图像的重建面临诸多挑战。首先,由于低分辨率深度图像包含的信息有限,深度场景的边缘和细节通常很难精确地恢复。其次,深度场景的精细结构和微小目标在降采样过程中容易受到更加严重的破坏,这进一步阻碍了深度图像的精确恢复。本文针对深度图像细节丢失和边缘模糊等问题,提出了一个渐进式多路聚合网络,通过级联的多个分支聚合模块实现高质量的深度图像重建。具体而言,多分支聚合模块包含重建支路和指导支路:重建支路利用基于注意力的误差反馈机制,使得网络在低分辨率和高分辨率特征空间上关注及获取深度图像的高频（边缘、结构）特征。指导支路通过获取深度图像的多尺度空间信息和彩色图像的高分辨率结构信息来指导深度图像细节的重建。最后,通过适应性融合策略进一步选择并且挖掘不同分支中有效的信息提升深度图像重建的性能。在多个真实和合成数据集上验证了本课题所提出的渐进式多路聚合网络的有效性。现有的基于彩色信息指导的深度图像超分辨率方法存在很多局限性。首先,高度配准的彩色与深度图像在实际测试环境中很难获得,影响了模型的实用性。其次,对于高分辨率彩色图像的处理极大增加了内存消耗和计算负担,阻碍了模型的实时性。为了缓解上述问题,本文首次提出了一个基于跨任务场景结构知识迁移的单张深度图像超分辨率框架,在训练阶段构建了一个跨任务知识交互模块从彩色图像中蒸馏需要的结构信息辅助深度图像的恢复。同时提出了多空间知识蒸馏策略以及不确定度引导的结构正则化约束来实现双边知识迁移,提升深度超分辨率模型的性能。大量的实验结果表明,在实际部署时该框架具有轻量化,性能好,运行速度快等特点。