研究表明,人类获取外界信息约80%是通过视觉获得的,双目视觉是模拟人眼视觉系统来获得现实世界信息的系统,是计算机视觉技术的一个重要分支,经过多年来的发展,在机器人视觉、反求工程、工业检测和医学成像等领域中的应用越来越广泛。立体匹配是双目视觉的一个重要环节,立体匹配的结果直接影响三维重建的效果,但是由于立体匹配过程会受到各种因素的影响,比如光照、物体遮挡和弱纹理等,会导致视差图的精度不高,如何提高视差图精度并同时提高实时性,一直是学者们研究的重点。论文主要研究立体匹配算法,对于局部立体匹配算法在弱纹理和视差不连续区域等的误匹配问题,提出改进的方法,重点在立体匹配步骤中的匹配代价计算、代价聚合和视差修正阶段进行改进。（1）提出一种引入边缘梯度的Census变换匹配算法,重点在匹配代价计算阶段进行改进。由于经典Census变换过度依赖中心像素,以支撑窗口内邻域的平均值与中心像素的判别结果确定中心参考像素,然后通过灰度差绝对值（absolute difference,AD）与均值判别后的Census变换相结合,并通过改进的Sobel边缘梯度算子约束图像的边缘,构建融合匹配代价函数,提高算法在边缘视差不连续区域的匹配性能。实验结果表明引入边缘梯度的Census变换匹配算法比传统Census变换和AD-Census变换在视差不连续区域的平均误匹配率分别减少了7.95%和3.0%。（2）提出基于引导滤波和多尺度代价聚合的立体匹配,重点在代价聚合和视差修正阶段进行改进。将引导滤波方法融合到高斯金字塔结构中,并引入最小生成树的思想构建更自然的相似性度量方法,在多尺度空间下进行代价聚合,添加正则化项增强尺度间的一致性,改善弱纹理区域的误匹配问题;利用赢者全取（winner takes all,WTA）策略计算视差后,采用左右一致性检测和背景填充方法消除遮挡点,通过亚像素增强方法提高视差不连续区域的匹配精度,并根据自适应中值滤波方法进一步平滑整体视差图。最后通过选取Middlebury平台提供的测试图像数据集,验证论文提出的基于引导滤波和多尺度代价聚合局部立体匹配方法,能够有效提高弱纹理和视差不连续区域的匹配精度,相比于传统的Census变换方法其平均错误匹配率降低了14.52%,且算法的运行时间增加幅度在5%以内。