随着人工智能的发展,人们对智能设备的需求越来越多。无人汽车、无人机的自主移动能力,工业机器人的精确抓取能力都依赖于非接触测量技术。双目测距由于其精度高,成本低的优点成为非接触测量领域最具发展潜力的一种方法。本文将卷积神经网络方法应用在双目测距这一研究领域,并针对算法的准确性、实时性、鲁棒性三个方面分别进行了创新和优化。本文的主要研究内容如下:1.本文在充分分析了传统立体匹配方法的局限性之后,根据卷积神经网络固有的特征提取和表达能力,将立体匹配方法中的匹配代价计算、匹配代价体构建和视差计算三个模块分别用深度学习方法替代。在此基础上本文构建了一个完整的使用卷积神经网络预测视差的模型,并设计了一个微型的端对端视差预测网络。实验结果证明,使用卷积神经网络预测视差具有充分的可行性。2.本文针对同时对精度和实时性有需求的场景,提出了一种基于编解码结构的深层视差预测网络。该网络使用编解码结构作为总框架,在几何特征提取步骤提出了一种基于移位合并的双目特征融合方式,并使用可分离卷积将融合特征谱生成匹配代价体。该方法能够得到精确度良好的视差预测结果,并且在不同的数据集上具有一定的泛化能力。3.本文针对便携式移动设备上配置的性能较低的处理器和双目相机,提出了一种基于低分辨率图像的高鲁棒性视差预测网络。首先,该网络在图像特征提取模块使用了空洞卷积来提高对低分辨率的输入图像的处理能力。其次,在视差预测模块加入了超分辨功能来优化输出结果。最后,使用二维的几何特征提取方法来提高系统对双目相机抖动的鲁棒性。实验结果证明,该网络能够对低分辨率、行对准不精确的输入图片预测出精确度良好的视差图,具备一定的实际应用价值。本文的所有网络均使用FlyingThings3D的训练集进行训练,并将训练好的网络在FlyingThings3D的测试集和Middlebury的测试集上验证有效性。