双目立体视觉是计算机视觉中一个重要的分支,主要用于获得场景的深度,从二维图像中获得三维的信息,可用于自动驾驶、场景重建等领域,其中立体匹配算法就是从多幅二维的图像中获取深度信息,即视差图的技术核心。国内外诸多学者已经提出了很多优秀的立体匹配算法,有基于局部纹理信息进行模板匹配的局部匹配算法,也有利用图像分割和最小生成树的全局匹配算法,还有先建立匹配的代价函数然后进行优化的全局匹配算法等。本文作者分析理想视差图的特点,确定了关于立体匹配中代价函数的先验,从信息论中熵的概念着手,分析了图像灰度熵的特点,及其作为全局匹配算法代价函数的可行性。为满足立体匹配代价函数的要求,引入联合熵和互信息的概念,以灰度互信息作为代价函数构建的基础。为了增强邻域像素间的约束,让视差图满足平滑完整的先验,综合理想双目系统的特点后,本文在构建代价函数后加入了正则化项进行代价聚合,从而获得最终的代价函数。为了优化该代价函数,根据代价函数的特点,引入了扫描线优化算法,构建了每个像素点的代价值对于不同视差值的表达式,本文选择从多个方向进行扫描线优化来强化邻域点点约束,从而降低扫描线优化所带来的纵向条纹瑕疵。构建完优化流程后,本文提出形成一个输入左右图,输出视差图的完整算法流程,算法整体选择一个迭代次数为常数的循环结构。使用标准双目图进行实验,与经典的局部匹配算法SAD和全局匹配算法SPSS进行了比较,分析了不同方法获得的视差图的特点,并分析本文算法模型在关键参数变化时的差异。最后对本文算法的特点和结果进行了总结和分析,并对未来算法可能的改进提出了假设和可行性分析。