深度图的获取技术是计算机视觉领域非常热门的研究方向,深度信息的获取在三维重建、机器人导航、手势识别、电影游戏、虚拟场景建模等方面具有举足轻重的地位。在实际应用场景中,由于硬件设备的限制,获取到的深度图的分辨率较低,深度值不准确。为了满足实际应用场景对深度图分辨率的需求,出现了很多优异的深度图超分辨率重建算法。目前,深度图超分辨率重建的算法主要包括传统方法和基于卷积神经网络的方法。卷积神经网络作为深度学习的一大代表,能够逐层自动学习合适的表示特征,已在图像超分领域中得到了广泛应用。基于这样的背景,本文开展了卷积神经网络在深度图超分领域的研究。主要研究内容包括三个方面。第一,论文搭建了基于浅层卷积神经网络的深度图超分辨模型。该模型通过卷积层的叠加实现深度图的特征提取,通过反卷积实现上采样完成低分辨率深度图到高分辨率深度图端到端的重建。解决了传统算法复杂度高,人工提取特征不准确的问题;第二,为了进一步提升重建质量,论文构建了基于双通道卷积神经网络的深度图超分辨率模型,该模型包括两个通道,深层通道通过特征提取、非线性映射、上采样以及多尺度重建学习了深度图像的细节特征。浅层通道由两个卷积层和一个反卷积层组成,用于学习深度图的边界、角等粗略特征。然后融合两通道结果,最终实现深度图的超分辨重建。第三,本文搭建了一种多通道多尺度的卷积神经网络来实现超分任务,模型利用多通道实现图像特征的快速提取,利用多尺度完成图像尺度索引信息的学习。为了证明该模型的有效性,本文在彩色图及深度图数据集上进行了模型训练和测试。结果表明本算法在两类图像超分任务上都能取得较好的效果,为同时需要实现彩色图像和深度图超分的应用场景提供了可能。