当下,二维人脸识别已广泛应用于生活中,如刷脸支付、考勤管理等,但其存在防伪性差、误识率高等缺点。故人脸识别的研究重心逐渐转向三维人脸识别,其关键基础在于三维人脸模型的采集。其中,基于双目视觉的三维采集由于建模速度快、精度高成为该领域的热点,包含被动测量和主动测量。前者在自然光源下捕获目标图像,通过匹配立体图像中对应的点以恢复三维信息,如何提高立体匹配的精度是其中的关键。然而,被动三维测量难以满足高精度建模的需求,而基于条纹结构光的三维测量技术通过投射“相位特征”编码目标表面,经相位匹配可实现高精度建模。相位展开是该技术的关键,相位特征的精度决定了主动三维建模的精度。传统立体匹配算法的匹配结果都参差不齐,尤其在弱纹理区域、反射表面等,由于无法提取有效的特征而导致误匹配;传统的相位展开算法在欠抽样、相位不连续区域等问题区域难以准确提取相位特征,因而无法准确地进行相位匹配。无论是主动还是被动立体匹配中,在问题区域都存在由于无法准确提取有效特征而导致误匹配的情况。由于神经网络可提取健壮的特征,因而基于深度学习的立体匹配算法成为该领域的主流。本文针对上述问题,主要研究工作及贡献如下:（1）针对被动立体匹配在弱纹理区域、反射表面的误匹配问题,提出基于双注意力机制的立体匹配算法。该算法在特征提取网络加入双注意力模块,以提取丰富的语义特征;并在代价聚合网络使用改进的hourglass模块捕获全局上下文信息,以在网络深层恢复空间位置信息,从而准确地预测视差,尤其是在弱纹理区域、反射表面。该算法在Scene Flow数据集上的MAE值为0.87px;在KITTI2015数据集上的三像素误差为1.80%;在face1人脸数据集上也取得了较好的匹配结果,其匹配精度优于SGM、CFPNet算法等,可将该算法用于室外场景的三维人脸采集。（2）针对相位展开算法在欠抽样、相位不连续区域相位展开困难的问题,提出基于多尺度融合的相位展开算法。该算法用编码解码结构融合多尺度的特征,并在解码网络嵌入语义子网络以捕获空间语境信息,从而快速、准确地提取相位特征,尤其是在欠抽样、相位不连续区域;与需多帧条纹图像（>=6）的时间相位展开算法相比,本文算法仅需三帧条纹图像即可取得与时间相位展开算法相当的相位精度。将该算法应用于face2人脸数据集上,其RMSE值为0.0387rad,SSIM高达0.9850,可满足高精度三维人脸采集的需求;在mask数据集上RMSE值为0.0273rad,SSIM值为0.9793,由此可证明该算法具有较好的泛化性。（3）构建了两个人脸数据集（face1、face2）和一个面具数据集（mask）。face1包含400组样本,每组样本包括双目立体图像对和视差图真值,用于立体匹配算法的训练与测试;face2包括50000组样本,每组样本包括截断相位和连续相位真值,用于相位展开算法的训练及测试;mask数据集中包括十二生肖、十二星座面具等,共100组样本,每组样本包括截断相位和连续相位真值,用于测试相位展开算法。本文基于深度学习的方法研究立体匹配中的关键技术。提出一种立体匹配网络为被动立体匹配提取健壮的纹理特征,可满足室外场景下三维人脸采集的需求;提出一种相位展开网络为主动三维建模提取精确的相位特征,可满足高精度三维人脸采集的需求。