近年来,结构光技术和深度学习技术已经广泛应用于机器视觉领域,对真实世界进行三维重建。三维重建在人机交互、远程医疗、3D打印等领域有着关键作用,结构光和深度学习技术的研究对提高三维重建效果具有重要意义。针对三维重建领域中的深度信息获取问题,本文提出了两种结构光与深度学习技术相结合的深度获取方法。本文提出了三帧相移结构光与立体匹配网络相结合的深度测量方法。本方法设计了用于立体匹配的深度学习网络,将立体匹配获得的粗深度图用于三帧相移的解周期步骤,最终通过绝对相位的匹配计算出精确的深度值。该方法能够得到高精度稠密深度图。此外,本方法通过深度学习预测得到的粗深度信息和精深度信息相结合的方法,在一定程度上解决了结构光方法中因为遮挡问题造成的深度信息缺失问题,提供了更加完整的深度信息。为了证明本方法的性能,文中提供了定性和定量的实验来论证本方法的精度和鲁棒性。本文提出了深度学习辅助解码的单帧复合编码深度获取方法。该方法创新性地提出了一种高汉明距离码表生成方法,能够提高形状编码结构光的鲁棒性。并且设计了高鲁棒性的形状码元,采用形状码元与网格线相结合的编码模板,能够提高深度信息的稠密性。在解码步骤,本方法采用了形态学操作与深度学习相结合的方法对形状码元进行提取和解码,利用多尺度融合的Densenet卷积神经网络对码元进行识别,相比于传统方法提高了码元识别准确率,减少了误匹配情况。在网格线提取步骤采用了优化方法,能够将网格线的坐标精确到像素级,提高深度信息精度。文中提供了定性、定量实验来证明该方法的特性。