近年来,随着光场技术的快速发展,基于多聚焦特征的光场深度估计方法取得了显著的进展。焦点堆栈图像记录了场景在不同深度下的聚焦程度。一系列聚焦在不同深度的焦点切片包含了丰富的空间视差信息,能够很好地揭示场景的三维结构。然而,在多聚焦特征提取中,传统方法存在鲁棒性差、精度低的缺点。现有基于卷积神经网络的方法仅仅利用标准卷积来学习可扩展到整个焦点堆栈的滤波器,忽略了焦点切片之间的空间相关性,导致复杂场景下深度预测的可靠性较低且含有大量噪声。本论文针对深度估计中如何充分学习多聚焦特征以捕捉光场数据与深度之间固有的关联,设计了基于动态特征融合的光场深度估计网络和基于局部—全局特征融合的光场深度估计网络。论文的主要研究内容和创新点如下:针对复杂场景下多聚焦特征提取不准确导致信息丢失的问题,本论文提出了基于动态特征融合的光场深度估计网络,通过改进Conv GRU以适应不同焦点切片中多尺度聚焦区域,筛选焦点堆栈中重要信息,剔除冗余信息,序列化学习焦点切片之间的空间相关性。此外,考虑到焦点堆栈中包含丰富的焦点信息,RGB图像中包含全局结构信息,本论文设计了多模态动态融合模块以自适应方式动态融合RGB特征和多聚焦特征之间的多模态信息,使网络能够适应各种不同的输入场景从而提高光场深度估计的鲁棒性。实验结果表明该方法在6个深度估计评估指标上优于当前光场深度估计的主流方法。此外,通过在手机数据集上的定性实验进一步表明,该方法可以成功地应用于普通消费级相机数据。为了进一步提高深度估计精度,减少网络复杂性,本论文提出了基于局部—全局特征融合的光场深度估计网络,分别从局部和全局两个角度充分学习焦点切片之间的相关性。首先设计了局部特征传递模块捕获焦点切片中的隐含的多聚焦线索,学习相邻焦点切片之间的几何关系以适应深度的变化。然后设计了全局特征感知模块学习整个焦点切片之间的相关性,通过分组后整合的方法充分利用所有切片特征,避免局部特征学习时的细节丢失问题。实验证明所提出的方法能有效改善光场深度估计性能,在数值指标和可视化效果上相对其他方法都有较大提升。与基于动态特征融合的光场深度估计网络相比,基于局部—全局特征融合的光场深度估计网络误差更小,尤其是在RMSE指标上误差降低了约6%,因此更具优势。