近年来,随着国民经济的向好发展,以无人机为首的机器人智能平台已广泛应用于生产建设当中。为了使无人机在实际环境下完成复杂的任务,基于立体视觉的深度感知技术以其相对低成本、精度高、场景适应能力强等特点已经成为当今的研究热点。现阶段,提升立体视觉质量的关键是基于图像匹配的视差求解,虽然各类优秀的算法被相继提出,但是算法难以同时拥有高实时性与高精度。然而,应用于无人机的深度感知系统,除了高感知精度的先决条件外,对实时性亦有较高的要求。因此,本文从提升深度感知精度并降低时间复杂度这一方向出发,从代价计算、代价聚合以及算法运算优化三个角度切入,进行了深入研究:1.代价计算方面,本文改进得到纹理信息辅助的Census算法。针对传统Census算法的代价内存需求较大,传统的机载嵌入式系统难以满足存储需求的问题,本文改变传统的编码策略,将与中心像素点对称的像素两两比较编码,使得编码长度减少一半,内存利用率提高一倍;针对传统Census算法在重复纹理、纹理变化剧烈的区域匹配代价性能较差的问题,本文采用以梯度计算自适应权重,将AD与half-Census进行自适应组合,有效地减少Census算法在重复纹理区域与纹理变化剧烈区域的误匹配率。2.在代价聚合方面,本文改进得到基于边缘信息的半全局匹配算法。针对传统半全局匹配算法采用单一正则化惩罚参数难以同时在边缘与非边缘区域取得最优解的问题,本文采用基于边缘信息的二值化映射算法求解惩罚系数,并将其融入半全局匹配算法当中,最后应用基于引导滤波加权的滤波算法保护视差图边缘,进一步提升视差精度。通过Middlebury的数据集测试证明,本算法减少了非边缘区域的误匹配点,并有效的维持边缘的视差跳变特征,比传统半全局匹配算法误匹配率降低4.02%。3.在算法运算优化方面,本文基于GPU进行并行优化算法的实现。针对立体匹配算法时间复杂度较高难以达到无人机实时处理的问题,本文从代价计算、代价聚合、视差优化三方面着手,针对不同的算法特点,重新设计GPU资源分配结构,重点利用GPU大规模线程并行运行的硬件优势,结合GPU多任务调度机制、GPU高速指令、共享内存等特性,保证精度的同时尽可能提升实时性,最后在NVIDA Jeston TX2上进行算法实现。经验证,运算速度较CPU上运行提升351倍,平均图像处理帧率达到21fps,使用本算法的双目视觉系统在8m范围内测距误差在0.3m范围内。