光场图像(Light field images,LFI)不仅可以记录光线的位置和角度等丰富的光线信息,还可以通过增加空间分辨率和视图数量来提供更加身临其境的感知,近年来引起了越来越多的关注。深度估计是计算机视觉领域中的研究重点,精确的深度估计对生产生活有重要意义。光场深度估计可以应用于工业模型建立、3D打印、显微扫描、遥感测绘、人脸识别、VR影像等诸多领域,在信息化时代有着广阔的发展前景,故光场深度估计相关研究是十分必要的。由于光场图像中包含丰富的角度信息,对深度估计有天然优势,但在复杂场景中往往有遮挡物的存在,容易使遮挡边缘区域的深度估计不准确。针对这一问题,本文从应对遮挡的角度出发对复杂场景的光场深度估计进行了深入研究。本文的主要工作和成果如下:1、针对复杂场景中遮挡边缘估计问题进行研究,在分析对比了Canny边缘检测与LK光流法边缘检测后,本文提出一种融合的边缘检测方法。根据Canny边缘检测与LK光流法边缘检测之间的互补特性将两者进行融合,在物体内部纹理区域保留LK光流法的结果,在边缘处用Canny结果替代。实验结果表明该融合方法尽量避免了内部纹理区域的误检测,提升了边缘估计的可靠性。2、针对复杂场景中遮挡边缘角度块与空间块分区问题进行研究,本文分析对比了K-means聚类与层次聚类方法,提出一种改进凝聚层次聚类的方法,添加了孤立点检测,构建了基于类间平均聚合程度的相似性度量,通过优化类间平均聚合程度和类内集中程度以确定最终聚类结果,解决了K值和随机聚类中心的选择使聚类结果不稳定的问题和根据遮挡情况选择层次聚类数目的需求,并减少了孤立点的影响。3、将本文提出的融合边缘检测和改进的凝聚层次聚类方法应用到复杂场景中的光场图像深度估计中,并用MRF优化获得了精确的深度图。最终的实验结果表明,与当前几种流行的方法相比较,本文方法深度估计均方误差最小,比先进的方法平均下降了32%,更加准确,尤其是遮挡边缘区域和内部纹理区域,误检测的情况明显减少,验证了本文提出方法的有效性。为了验证本文模块存在的意义,本文进行消融实验。结果表明,各个模块均对深度估计结果有正面影响。