随着Kinect的兴起，深度图像处理迅速变成图像处理和计算机视觉领域的热点。基于Kinect的应用也日渐增多。但是，由于Kinect深度测距原理所限，Kinect的深度图像存在以下四个方面的问题：与距离的平方成正比的噪声、由无效像素组成的空洞、深度图像与彩色图像边缘不匹配和深度图像在时域上的闪烁。这些因素阻碍了Kinect在诸如人脸识别、3D重构等需要高质量的深度数据的领域上的应用。为了改善Kinect深度图像的质量，本文研究了不同条件下Kinect深度图像的增强算法，主要研究成果如下：1.单幅深度图像增强算法。该算法在深入研究Kinect深度测距原理和深度图像质量特点的基础上，发现深度图像与彩色图像边缘不匹配问题是由位于深度图像边缘和对应的彩色图像边缘之间的错误像素引起的，进而提出了基于区域生长和距离变换的错误像素去除方法，该方法用区域生长在深度图像边缘和彩色图像边缘提取错误像素所在的区域，用对应的距离图像来指导区域生长的方向。随后，用加权模式滤波算法填补空洞，最后，用自适应联合双边滤波器去除噪声。实验表明，本文的方法明显优于传统的深度图像增强算法。2.静止场景下深度图像序列增强算法。为了能够利用时域上的信息，该算法在单幅深度图像增强算法的基础上进行了两点改进：其一是在用加权模式滤波算法填补空洞之前，先对深度图像进行首次深度填充，为此，该算法维持一个深度图像模型和一个无效像素模型，空洞中的像素如果满足无效像素模型给出的约束，就用深度图像模型中对应的值进行填充；其二是引入了卡尔曼滤波来消除深度图像的闪烁，并结合Kinect深度图像的特性，使卡尔曼滤波中观测方程的噪声的方差随深度值自适应地变化。除了以上的两个算法之外，本文还对当前深度图像增强算法进行了分类总结，注意到深度图像增强是一个最近兴起的话题，我们还没有发现相关的综述文献，故而本文的分类总结有一定的参考价值。