光场相机仅需要一次拍摄就可以完成对场景多维信息的记录,在深度估计领域具有数据方面的优势。但是现有的基于深度学习的光场深度估计方法中,如何尽量减少计算量的同时又高效地学习出有效特征,一直是该领域的重点问题。因此,本文将从光场数据的信息在学习过程中的筛选与利用效率出发,研究基于深度学习的光场深度估计方法。论文的主要工作如下:(1)介绍了光场理论的发展历史与基本原理,阐述了光场信息获取的几种主要方法,研究了现有光场相机的解码流程和主要的几种光场数据表征形式,分析了基于不同光场数据表征方式下的光场深度估计研究现状。(2)以实现光场信息的高效利用为目标设计一种多通道信息融合的光场深度估计网络。在人为选择特定视角的基础上,使用不同尺寸卷积核来应对不同视角的基线变化,减少了小尺度卷积核所带来的感受野不足的问题;同时针对光场数据的多路输入特点搭建了特征融合模块,并利用前后互连的网络结构整合神经网络的前后层信息,提升网络的学习效率和性能。对比实验显示,在相同的数据基础下该方法在定量指标上的表现更加优秀。(3)设计了一种基于EPI约束的全视角输入与多尺度特征学习的光场深度估计网络,使用EPI特性约束在光场的多视角阵列中划分区域,分别送入不同的网络通道提取特征,避免了因视角筛选而产生的信息损失,并且分别在浅层网络添加多尺度学习的网络结构以及在深层添加卷积核注意力分配结构,提升网络对感受野的适应性。实验表明该方法可以有效提升网络对场景深度估计的效果。