图像作为重要的信息载体,其质量的高低直接影响了信息表达的能力,因此图像超分辨率技术凭借其恢复高质量图像的强大能力在许多领域有着广泛应用。相较于传统二维图像,光场图像满足了人们对高维信息的需求。但是,主流光场相机捕获的光场图像始终存在空间分辨率和角度分辨率的权衡,面临着图像分辨率不足的问题。深度线索在光场超分辨重建中有着重要作用,但是现有工作大多关注如何利用深度线索,而忽略了对深度线索的深入挖掘与精度提升,进而导致超分辨重建效果并不理想。针对上述问题,本文从焦点堆栈和多视角图像两个角度出发,利用焦点堆栈的多聚焦特性和多视角图像的空间特性来合成所需高质量的深度图,并研究了基于深度线索的光场超分辨重建算法。论文主要研究工作及创新点如下:（1）针对现有方法未能很好解决焦点堆栈散焦模糊,导致细节丢失的问题,提出了基于多聚焦信息的光场深度估计方法。该方法主要包含两个模块:上下文推理单元和注意力引导的跨模态融合模块。其中,上下文推理单元充分提取焦点堆栈的多聚焦信息和RGB图像的结构信息,从而全方位探索内部空间相关性。注意力引导的跨模态融合模块通过多级注意力权重逐级融合来自上下文推理单元的内部空间相关信息,从而实现多模态特征对深度预测的最大贡献。实验验证了所提算法的有效性,相比其他方法,该方法可以有效解决散焦模糊造成的细节丢失,对噪声和重复纹理有着更加鲁棒的表现,可为超分辨率等任务提供有利的技术支撑。（2）针对现有方法未能充分利用多视角图像中的空间关系,导致重建光场存在伪影和失真的问题,提出了一种基于深度线索的光场超分辨重建方法。该方法将超分辨率重建分解为两个子任务:视角合成和光场优化。为了超分辨率任务在实际应用中的灵活性,视角合成网络引入了无监督的深度估计模块。此模块通过并行连接和多尺度融合有效学习丰富特征表示以捕获长范围空间相关性,从而改善深度预测。基于预测的深度信息,视角合成网络对输入的稀疏视角进行像素点移位以重建初始光场。基于重建视角间的几何关系,光场优化网络对初始合成光场进行优化以获得最终光场。实验验证了所提算法的有效性,相比其他算法,该方法可以显著改善深度预测,充分利用视角之间的空间关系从具有较大基线的稀疏采样光场重建出高质量的密集光场。