深度图像像素点的值可用于表征场景中某一点距离摄像机或传感器的远近。随着5G的商用化和近年来人工智能的飞速发展,深度图像在人机交互、人脸识别、自动驾驶和增强现实等多个领域发挥着越来越大的作用。为了满足各领域的需求,得到一张高质量的深度图像就显得尤为重要。而现有的设备,受制于硬件本身,获取到的深度图像会存在低分辨率、深度缺失和噪声的问题。为了得到高质量的深度图像,如何修复和增强深度图像成为一个重要的问题。本文就深度图像修复任务提出了两种解决方案,主要工作如下:（1）在总结了前人理论的基础上,针对深度图像的修复,提出了基于约束最优化模型的迭代深度图像修复算法。根据约束条件,该算法只对深度图像上缺失区域进行修复,对于有深度信息的区域,直接使用原深度图像中的深度值。通过不断将修复后的图像作为迭代操作的输入图像来修正深度缺失区域的深度值。另外,通过初始化操作降低算法的迭代次数,进一步加速算法的收敛速度。为了评估所提出的算法,我们在自己采集的数据集、纽约大学数据集和Middlebury立体数据集与其他算法进行了实验对比。结果表明,我们提出的算法在边缘的保持、纹理细节方面都要优于对比的方法。（2）为了进一步提高深度图像的修复质量,根据算法计算过程中我们处理的深度图像及其置信度图像在像素点邻域范围内的线性关系,提出了基于融合置信度最优化模型的迭代深度图像修复算法。本算法通过将深度图像及其置信度图像同时做迭代处理,并在保证修复图像与原深度图像相似的基础上对图像做平滑操作。迭代收敛后的两张图像由局部线性关系得到最终的修复图像。与上述（1）中的算法相比,该方法可以进一步提高深度图像修复的精度和效率。此外,通过与其他优秀算法的对比实验,进一步说明了本算法的优越性。（3）设计并开发基于以上研究内容的原型系统。该系统包含图像检测、预处理和图像处理三个模块。支持本地和Kinect相机采集两种导入图像的方式,通过图像检测保证了输入图像的正确性。本系统页面简洁,功能完善,较好的验证了本文提出算法的实用性。