近年来，3D电影开始吸引消费者和电影制作公司的关注，通过立体摄像机制作了越来越多的3D视频。然而，大多数的视频依旧以2D的格式存在，在后处理阶段把这些2D视频转换成3D格式往往需要深度图像估计。在本文中，通过对深度线索和机器学习方法的深入研究，讨论了基于多深度线索融合和基于样本学习的深度图像估计方法，并分析了各自对应的优缺点。通过自适应多深度线索融合的方式提出了一个改进的深度图像估计算法，并且在基于样本学习的方法中考虑到局部连接信息，利用现代图形处理单元(Graphics Processing Unit, GPU)的加速技术来实现快速的2D视频立体化。本文深入讨论了3D立体视频生成过程中的深度图像估计算法，主要从以下几个方面开展了工作：（1）分析了视频立体化的原理，讨论了几种深度图像估计方法，介绍了基于GPU的加速技术。（2）提出了一个基于多深度线索融合的深度图像估计方法，基于运动信息提取前景深度，利用相对高度线索估计背景深度。利用局部运动的自适应修复，对原方法进行改进。实验结果证明，改进的方法可以提高深度图像的质量，并能够保持深度的帧间一致性。（3）提出了一个基于学习的视频立体化方法，兼顾全局和局部的图像信息。对于视频的关键帧，根据结构相似的图像具有相似深度的假设，从RGB-D数据库中使用样本学习得到全局的深度信息，并以最小生成树原理表示的局部连接信息来修复深度图像。利用运动补偿和深度传播的方法来估计非关键帧的深度图像。实验结果显示，相对于传统的基于深度线索的深度估计方法，本方法更加准确高效。（4）通过GPU加速技术，提出了一个快速的基于学习的视频立体化方法。根据2D视频立体化过程中各个模块的时间花费，利用GPU的高效性能，对其中时间花费较长且满足并行化的模块进行GPU加速，并利用显著图对深度图像做进一步的修复。在AMD Athlon II X46312.6GHz和英伟达GT630的编程环境下，实验结果表明，GPU对可并行化的图像处理具有良好的加速效果，使用GPU加速的模块比使用CPU至少快5～10倍。