计算机立体视觉在军事、航天、医学、工业、娱乐等领域都有广泛的应用前景,而立体匹配又是立体视觉研究的瓶颈问题。实际上立体匹配作为计算机视觉领域一项基础课题,已经有了三十年左右的历史。现如今由于诸如视角合成、基于视频的渲染等新兴应用的出现,人们对立体匹配在匹配效果、运行时间等指标有了更高的要求,因此它再一次成为了研究热点。简单来讲立体匹配就是寻找不同视角图像中各个特征点之间的匹配关系。但是由于少纹理、重复纹理、遮挡等情况的存在,要实现令人满意的匹配非常困难。现如今为了提高匹配正确率,算法日趋复杂。特别是在自适应权重聚合和图像分割等算法引入之后,单靠软件实现时匹配运行时间完全不能满足实时性应用的需求。在这个背景下,我们的目标就是设计一种高正确率的立体匹配算法,使之能够在硬件加速的条件下实现实时匹配。经过多年来全球各地各界研究人员的努力,众多优秀的算法被提出来。Scharstein和Szeliski对它们进行了系统整理,归纳出一般立体匹配算法的四个基本步骤,并且提出了算法子块(algorithmic building blocks)的概念。我们在他们的整理基础上,选取了一些主流的算法子块进行了研究,包括算法的原理、步骤、优缺点等。对于其中的自适应权重聚合算法和置信传播算法,我们还从硬件角度进行了分析,主要关注点是带宽和内存消耗。匹配代价是立体匹配算法中必定会用到的中间数据,所谓匹配代价就是不同视角中两个特征点之间的差异。它反映了这两个特征点互相匹配的可能性,即胜者全得算法中所利用的性质：对应最小匹配代价的视差最有可能是正确的视差。这一点在我们研究视差空间图像时也得到证实。我们还发现同一个像素点的不同视差所对应的匹配代价的大小排名从第一开始增加时,相应视差为正确视差的概率会急剧减小,随后概率维持在低位,不再随排名而变化。但是与之形成对比的是匹配代价值本身却基本是随着排名增加而线性增加。如果把匹配代价直接作为全局匹配算法的能量方程的数据项的话,将不能正确反映图像各点视差分布的概率。鉴于上述分析,我们提出了基于匹配可靠性集的立体匹配算法。与其他匹配算法最大的不同在于我们用匹配可靠性集取代匹配代价集作为能量方程的数据项。这一变换除了大大简化了数据项以外,还大大提高了匹配正确率。至今(2012年4月19日)该算法的正确率在Middlebury网站上综合排名第四。值得一提的是,本文提出的算法是该网站排名的前二十名中极少数几个没有使用图像分割的算法。因为算法设计之初就考虑硬件实现,我们所采用的算法子块都可以利用硬件加速。后续工作主要是具体的硬件设计与实现。