作为一种新型的图像成像与描述方式,光场成像技术在近几年得到了迅速发展。与传统相机相比,光场相机可以采集来自不同方向的光线,并且基于光场相机内的微透镜阵列可以保留采集到的光线的空间与角度信息。在深度估计、图像分割、目标检测等计算机视觉任务中,光场图像的使用为这些任务提供了更丰富的输入数据。然而由于光场图像的特殊结构,例如微基线等特性,同样也对深度估计任务提出了新的挑战。主要完成以下工作:(1)提出了面向实际应用场景的实时光场SGM(Semi-Global Mat ching)深度估计算法。本文通过对光场成像技术的原理以及相关特性进行分析,设计了定制化的立体匹配代价计算函数以及为了提高并行粒度引入基于半全局优化的代价聚合。(2)提出并设计基于GPU特性的光场SGM深度估计算法的并行化优化方案,该方案可充分挖掘硬件性能,确保算法的实时性。(3)提出基于PatchMatch的光场深度估计迭代优化算法。本文针对实际应用场景下对高精度深度图需求,设计对深度以及边缘敏感的超像素分割算法、基于光场多视图的代价计算函数。基于PatchMatc h思想对初始深度估计结果进一步迭代优化。(4)提出基于聚类的空间传播策略,设计针对超像素块的包含颜色信息、空间信息以及深度信息的组合特征,并基于聚类算法将相近的超像素块聚类至同一个传播单元,以优化原始PatchMatch算法的空间传播策略。综上所述,本文研究面向实际应用场景的光场深度感知系统,针对实际应用中分别对实时性以及高精度的应用需求,分别设计提出实时光场SGM深度估计算法以及基于PatchMatch的光场深度估计迭代优化算法。实验证明本文提出的算法以20fps速度输出光场深度感知结果,同时在初始深度估计结果经过PatchMatch迭代优化后,精度得到大幅度提高。