本文在了解双目立体视觉系统理论的基础上，围绕基于特征的立体匹配算法和基于窗口的立体匹配算法展开研究，重点探讨了如何改进双目立体匹配方法的视差结果，以及如何改善距离计算方法。针对立体匹配算法难以获取精确的视差搜索范围、计算量大、匹配率低等问题，本文主要提出了两种改进算法：　　(1)结合SIFT特征提取、EMD算法和基于窗口的匹配技术的优势，提出了一种改进的基于窗口的稠密立体匹配算法。首先，利用SIFT算法能获得非常鲁棒的局部特征、捕获图像中最重要的特性的优势，以及EMD方法能白适应、高效地分析非线性和非平稳信号，且能将信号分解为不同频率的特性，提出了一种结合SIFT和EMD的局部特征检测算法。在对图像进行特征提取的基础上，通过特征匹配和极线约束得到更精确的匹配点对，以此获得了更精确的初始视差搜索范围；其次，在新的块匹配策略和修正的匹配代价函数下，使用改进的视差可信度函数或加权能量函数获取稠密精确的视差图。实验结果表明，结合SIFT和EMD的特征检测算法比传统的SIFT特征检测方法有更高的精确度，能更贴近于实际需求的视差搜索范围。而且，利用改进的基于窗口的稠密立体匹配算法获得的视差结果比其他局部立体匹配算法【72,73,75-79】和基于能量的算法【72,74】获得的视差结果更精确、更平滑、缝隙更少，在匹配错误率、遮挡区域和弱纹理区域以及匹配代价函数多峰值的问题上，有更优秀的表现。　　(2)整合SLIC超像素分割算法和ELAS模型，提出了一种稠密立体匹配算法S-ELAS。首先，改进了ELAS模型算法中特征描述子的选取方式，克服了原特征仅对水平方向像素问特征值差异大的图像敏感的缺陷，使得新特征能适用于更多图像；其次，引进SLIC超像素分割算法，利用超像素信息优化ELAS模型中的支撑点集合；然后，结合超像素与混合高斯模型提取的前背景，采用3σ原则，对ELAS模型通过最大后验估计得到的视差进行了优化，使得视差在纹理和目标边缘区域能够平滑；最后，对不符合左右一致性约束的像素用线性插值技术进行修正，并使用中值滤波器获取稠密平滑的视差图。实验结果表明，对高分辨图像S-ELAS算法在纹理和目标边缘区域得到的视差明显优于ELAS模型，且对低分辨率图像S-ELAS算法在匹配错误率的表现要优于ELAS模型。与近5年的稠密立体匹配算法【74,75,85-98】相比，在Middlebury立体基准数据库中，当Error Threshold=2时S-ELAS算法平均排名为116.9，当Error Threshold=0.5时S-ELAS算法平均排名为112.7。　　最后，针对被动测量技术中，三角测量方法不能充分利用摄像机内参数的缺陷对其进行了改进。我们应用（2）中的S-ELAS视差计算方法，使用KITTI视觉基准数据库中的交通场景图像对改进的三角测量方法进行了测试。测试结果表明，改进的三角测量方法的平均坐标准确率是89.79％，平均距离准确率是96.60%，可见修正的距离计算方法非常精确。