深度信息是增强现实、三维重建、无人驾驶等众多应用场景中不可或缺的信息之一。RGBD相机不仅可以获取到场景的深度图像,还可以获取到同一场景下的彩色图像/RGB图像,然而受采集设备的限制,其获取得到的深度图分辨率远低于其对应的RGB图像的分辨率,很难满足实际应用的需求。针对这一问题,研究了在高分辨率RGB图像作为引导图像的条件下,对深度图像进行超分辨率重建的方法,充分利用RGB图像的细节信息来重建出高分辨率深度图,从而得到高分辨率高质量的深度图。主要研究工作如下:（1）提出基于改进U-Net网络的深度图超分辨率重建方法。为了充分利用深度图的高频特征和引导图像的层次特征,通过改进U-Net网络构建出深度图超分辨率重建网络（UDepth SR）,该网络通过残差学习的方式,利用低分辨率（LR）深度图和高分辨率（HR）RGB图像,重建出HR深度图。UDepth SR在U-Net网络的Encoder-Decoder基础上增加多层次引导分支（MGB）,该分支用来从彩色图像中提取多层次强度特征来引导深度残差图的重建;同时在跳跃连接中引入通道注意力机制模块（CAB）,该模块用来突出那些包含丰富细节的通道信息来提取深度图的高频特征,从而为Decoder的上采样过程补充更精细的特征。Decoder提取的特征、MGB提取的分层特征和CAB提取的高频特征进行融合,通过残差学习得到HR深度图。在公开数据集上的实验结果表明,UDepth SR的结果优于一些传统方法和现有方法,验证了所提网络模型的有效性。（2）提出基于多尺度残差块的深度图超分辨率重建方法。为了充分利用深度图的多尺度特征和引导图像的高频特征,提出基于多尺度残差块的深度图超分辨率重建网络（MSRNet）,该网络利用从RGB图像提取的高频特征来逐渐引导深度图的超分辨率重建过程。网络包含两个分支:高频引导分支（HFGB）和多尺度重建分支（MSRB）。HFGB中的高频层（High Frequency Layer,HFL）采用Octave卷积把RGB图像特征分解为高频特征和低频特征,只使用高频特征作为引导,用来提供有用的高频细节;对低频特征进行抑制以减少参数,保持重建效果的同时提高效率。MSRB中包含一种多尺度残差块（MSRM）,这个模块在残差结构的基础上通过使用大小不同的卷积核来提取不同尺度下的深度特征,同时在不同尺度特征之间采用跳跃连接,实现特征的共享和复用,使深度特征在重建过程中得到充分的利用。HFL提取的高频特征和MSRM提取的多尺度特征进行特征融合重建出残差图,最后通过残差学习生成HR深度图。实验结果表明,MSRNet的实验结果优于一些传统方法和深度学习方法,具有一定的实际应用价值。