近年来,鉴于成像技术的快速发展,光场相机不仅能够捕获光线的空间特性,还能够捕获光线的角度信息。正是由于这一特征,传统图像难以完成的三维建模、场景重构、景深的拓展等应用,在光场图像中有了较好的发展。然而,在光场图像深度提取中,传统方法存在提取精度低、计算速率慢的缺点。现有基于神经网络的算法仅仅利用水平或者竖直极面图像的几何特征而导致深度预测可靠度较低,且遮挡、噪声、弱纹理区域的存在严重影响深度提取的精度。本文针对在光场图像深度提取中所遇到的遮挡、弱纹理以及噪声影响深度提取精度的问题,设计了基于三维卷积核与U-型结构的光场图像深度提取网络架构。首先,针对现有的大部分神经网络仅仅利用水平或者竖直极面图像的几何特征而导致深度预测可靠度比较低的问题,本文设计了一种多分支输入网络架构。本文分别将光场图像的水平、垂直、以及两对角方向的视角图像进行堆叠放入网络中提取深度特征,使得深层次的网络能够充分提取这些不同极面图像的特征,从而提高了光场图像深度提取的可靠度。此外,针对场景遮挡问题,本文提出了在不同分支的视角图像堆叠中使用三维卷积核提取特征的方法,使得网络能够更好地学习极面图像对应点形成的直线斜率,以排除遮挡对深度提取精度的影响。实验表明,本文所设计的基于三维卷积核的多分支端到端光场深度提取全卷积网络能有效提高深度提取的可靠度,排除遮挡对深度提取的影响。其次,针对弱纹理以及相机噪声的存在影响深度提取精度的问题,本文设计了自编码与解码的U-型光场图像深度提取全卷积网络架构。本文在对各个支流的输入进行组合后,先进行扩大视野域的下采样过程,然后在上采样的过程中使用针孔连接来减少下采样精度的损失,使得网络能够将像素级别的特征与区域级的特征信息相结合,提高网络在弱纹理及噪声区域提取的精度。实验验证了本文所设计的基于U-型的光场图像深度提取全卷积网络在具有弱纹理和相机噪声的场景下提取物体纹理信息的可靠性。为验证模型的有效性和可靠性,本文使用了现有公开权威的数据集进行训练,并在不同的测试集上将评估的深度信息与现有世界领先的算法进行比较。实验表明,本文所提出的模型在遮挡、噪声、弱纹理、精细结构等多个不同的评价指标中均取得了优异的结果。