Microsoft Kinect、time-of-flight(To F)等RGB-D深度相机的出现,不仅使得深度图像的获取更加快捷方便,而且降低了获取立体场景深度信息的成本,极大的推动了深度图像在计算机视觉、数字娱乐、工业制造等各个领域的应用。然而受硬件技术和环境等因素的影响,现有深度传感器所捕获的深度图像往往具有较低的分辨率以及大量噪声,不能提供精准而丰富的立体场景深度。这使得由深度传感器所捕获的深度信息很难直接应用于各领域。如何对捕获的深度图像进行分辨率增强,获得高质量的深度图像以满足各个领域的需求是当前研究中一个亟待解决的问题。对深度图像的增强重建是一个病态问题,本文对该问题提出一套新的重建模型,具体如下:第一,利用表面法向信息引导深度图像重建,提出一种表面法向引导的深度估计方法。该方法利用三维空间物体表面法向信息与深度信息间的几何关系对深度像素进行估计。首先,由高分辨率(HR)彩图估计相应场景的法向图,得到三维空间物体表面每个像素点的法向信息。其次,对目标像素选择适当的邻域,由邻域内像素通过法向提供的几何关系构建共面矩阵,从而对目标像素进行估计。在此基础上,将该几何关系作为正则项约束深度图的重建。实验证明,与由彩图引导的深度图像重建算法相比,法向图通过提供更多空间几何信息能够提升在重建过程中边缘结构的准确性。第二,针对超分辨率重建工作中在放大倍数较大时,边缘易产生“伪影”的问题,利用深度图像本身具有的分段平滑(Piece-Wise Smoothing,PWS)的特性,本文提出一种边缘保持重建模型。该重建模型在法向约束的基础上,加入边缘保护平滑正则约束。法向约束为深度图像重建提供了重要的空间信息,边缘保护平滑正则约束基于边缘感知加权算子,对边缘结构进一步约束重建。联合以上正则约束,建立重建模型并进行高效的求解。在Middlebury 2014数据集上进行无噪和加噪验证,实验表明,相比于主流算法,该模型的重建结构具有更好的性能。