双目立体视觉是计算机视觉的关键技术之一,它在传统的三维场景重建、智能机器人导航、目标跟踪以及新兴的无人驾驶汽车、虚拟现实、移动终端等领域都具有广泛的应用。立体匹配作为双目立体视觉中最为重要的一个环节,一直是目前研究的焦点和热点。近年来,深度学习技术快速发展,在图像、语音、文本等领域获得了巨大的成功。卷积神经网络更是结合了深度学习技术、人工神经网络和图像局部关联性等特性,能有效提取图像特征,特别适用于计算机视觉任务,在图像分类、物体检测、目标跟踪等任务中取得了显著的成绩。目前,如何将卷积神经网络应用到立体匹配任务中,获得高准确率、快速的算法,仍是一个有待解决的问题。本文整理和总结了国内外关于深度学习和立体匹配技术的研究成果,以经典的卷积神经网络模型为基础,将其应用到立体匹配任务当中,主要工作如下:1)提出了一种基于卷积神经网络的匹配代价计算算法。在分析传统匹配代价算法原理和现有数据集限制的基础上,本文利用卷积神经网络计算图像块的匹配程度,避免了需要人工选择特征。实验结果表明,本文提出的基于卷积神经网络的匹配代价计算算法大幅减少了初始匹配误差,为后续步骤建立良好基础,且具有较好的光照鲁棒性。同时研究了卷积神经网络超参数对算法效果和速度的影响。2)提出了一种基于卷积神经网络的立体匹配算法框架。本文参考传统立体匹配四个步骤,使用基于卷积神经网络的匹配代价计算算法计算匹配代价,将半全局匹配算法和基于十字的代价聚合算法结合用于代价聚合,视差计算完成后使用多种后处理算法对初始视差图进行修正。通过在公开数据集的测试表明,本文提出的算法框架在准确度和性能上都已经达到了领域内先进水平。