立体视觉是计算机视觉中的一个分支,在无人机、自动驾驶、机器人导航、三维测量等领域中均具有广泛的应用。立体匹配作为立体视觉中最为关键的一个环节,且立体匹配本身是一个病态的问题,往往针对不同的应用,有不同的算法与之适应,使得国内外学者对立体匹配的研究持续火热。本文针对立体匹配在三维重建中的应用,从匹配代价计算、匹配代价聚合、视差优化三个步骤,对立体匹配的结果进行不断的优化,提高其匹配的正确率。主要完成的工作内容如下:（1）提出一种基于多尺度卷积神经网络的匹配代价计算方法。为了避免设计能量函数对匹配代价进行计算时,存在对表面反射、纹理弱、纹理重复等非常敏感的问题,以及普通神经网络卷积核大小设置不合理的问题,本文设计了一种多尺度卷积神经网络对匹配代价进行计算。并通过对多尺度卷积神经网络采用指数衰减的学习率和动量梯度下降法进行训练,使得神经网络的参数找到最优值,从而得到较为可靠的匹配代价矩阵。（2）虽然使用卷积神经网络计算匹配代价比传统方法具有更强的泛化能力,但依旧无法彻底解决立体匹配算法中无匹配的问题。针对多尺度卷积神经网络得到的匹配代价中存在分散噪声的问题,本文设计了自适应十字交叉窗口的匹配代价聚合方法进行去噪,并对代价矩阵的细节特征进行保留。针对区域性的错误匹配,本文在动态规划法的基础上设计半全局方法,对区域性的错误匹配进行修复,并克服动态规划的拖尾现象。通过自适应十字交叉窗口方法和半全局方法相结合,将匹配代价矩阵在非遮挡区域的可靠性大幅提高。（3）由于遮挡区域以及边缘区域的匹配代价在代价聚合阶段没有被修复,因此对预测得到的视差图通过后处理进行修复。通过左右一致性检查对视差图中所有的点划分为四类,针对每一类给出不同的处理方法,有针对性的对视差图中仍存在的误匹配进行处理。此外,对得到的视差图进行了细化,从像素级别转化为亚像素级别,提高了视差图的精度。（4）对本文的算法进行评价。根据Middlebury立体视觉平台的评价标准对本文算法得到的视差图进行均方根误差和错误率评价,并在该平台上与其他算法进行比较。（5）将本文的立体匹配算法在三维重建中进行应用。将本文的立体匹配算法同现阶段较成熟的相机标定算法进行结合,对双目得到的图像对进行校正,立体匹配得到视差图。根据视差图对场景中点的三维坐标进行计算,并绘制出三维点云图像,将三维点云的尺寸同物体的实际尺寸进行比较,验证本算法在三维重建中的可行性。（6）对立体匹配算法进行封装和GUI界面设计。根据计算机的硬件条件,搭建软件环境,将本文立体匹配的所有环节、算法的评价标准、三维坐标的计算均加入到立体视觉系统中进行封装和GUI界面设计,方便后续对算法的直接应用。