双目立体视差技术模仿人类双眼,利用场景在左右相机成像的水平差异计算视差、感知距离,进而可以获取三维场景信息,是计算机视觉领域的重要研究方向之一。双目立体视差技术已广泛应用于三维测距、三维重建、自主导航、虚拟现实等领域,具有重要的研究价值和应用价值。现今双目视差相关应用部署在移动及嵌入式设备上的需求日益增多,然而现有基于深度学习的视差计算方法通常需要较高的计算成本而无法满足移动端应用场景的需求。因此,研究高效的视差计算方法,并实现在智能芯片上的应用具有重要的意义。归纳本文的主要创新点和成果,有以下三点:（1）提出了一种逐渐求精的多阶段级联视差计算方法现有较为先进的视差计算方法大多是基于深度学习的算法,虽然可以获得高精度的预测视差图,但通常存在计算量较大、运行时间较长以及网络规模较大等问题。针对上述不足,本文提出了一种多阶段级联视差计算方法,在尺度由小到大的特征图上以级联的方式构建代价体,逐步缩小视差搜索范围,减小代价体的大小,从而降低参数量、减少运行时间,实现由粗到精的多阶段高效视差计算。实验显示视差算法参数量为0.29M,KITTI数据集上运行时间为0.023s,小于多数现有先进方法的1/10,最后一阶段预测视差图的误差可达2.93%,与现有先进方法接近,证明多阶段级联视差算法能够在保持视差预测精度的同时显著降低网络参数量和计算量、提高运行效率。（2）提出了一种基于深度可分离卷积的轻量级视差计算网络针对面向移动和嵌入式设备应用的深度学习神经网络需要满足的低成本、低功耗等要求,研究视差计算网络的轻量化改进方法。基于对深度可分离卷积与标准卷积相比可以有效降低参数量和计算量的分析,将深度可分离卷积应用于多阶段级联视差计算网络,提出了基于深度可分离卷积的轻量级的视差计算网络。实验显示轻量级视差计算网络的参数量为0.18M,约为多阶段级联视差计算方法参数量的2/3,进一步降低了参数量和计算量,为下一步在智能芯片上的部署和应用做好了准备。（3）实现了视差计算网络在智能芯片上的部署和应用将基于深度可分离卷积的轻量级视差网络部署在用于移动和嵌入式设备的智能芯片Jetson AGX Xavier上,实验显示其视差计算速率约为50帧每秒,实现了智能芯片上低成本、低功耗的高效视差计算,可以满足视差计算在移动和嵌入式等场景的应用需求。