立体图像有着非常广泛的用途,如高分辨率3D电视、三维建模、智能导航、自动驾驶等,而且随着沉浸式技术（如VR、AR等）和游戏影音行业的发展,要求更精细、更高分辨率的立体图像内容,这也催生了立体图像超分辨技术的兴起。超分辨技术是从低分辨图像中盲重建出高分辨率的图像,是一个不适定性问题。近几年,单图像超分辨领域的研究者利用深度学习方法进行了充分的探索,并获得了优异的效果。立体图像超分辨技术是借鉴单图像超分辨的成功经验,并试图利用立体图像对间存在的天然视差从而产生的额外信息作为先验约束来进一步提升超分辨的性能。当前立体图像超分辨算法对视差的大小或方向有较高要求,无法处理一些不规则视差的立体图像对,而且立体图像对间固有的联系尚未得到完全利用。针对这些问题,本文利用深度学习技术对立体图像超分辨技术展开以下研究:（1）已有的立体图像超分辨模型只能沿着水平极线方向搜寻立体图像对间的立体对应点,因而无法很好地处理极线非水平的立体图像。针对此问题,本文提出了一个基于交叉视差注意力机制的立体图像超分辨模型,名为交叉视差注意力网络。该交叉视差注意力机制不同于现有一些视差注意力机制,它从全局上搜索立体对应点,而不仅限于水平方向,且无视差大小的限制。该模型采用预先上采样框架设计,因此可以在一个模型中同时进行多个比例因子的超分辨任务。充足的实验测试表明该模型的超分辨性能更优越,处理极线非水平的立体图像时能获得比其他先进方法更高的指标评分和更优的图像质量,噪声测试结果也表明所提出模型拥有更优的噪声处理能力,鲁棒性更强。（2）为了解决（1）中所提出的交叉视差注意力网络模型参数量过大、计算复杂度高、难以实际应用,以及交叉视差注意力模块未能从多个尺度上搜寻立体对应点,导致固有的额外信息未能被充分利用的问题,本文还提出了一个多尺度残差密集视差注意力网络。该网络基于后期上采样框架设计,通过堆叠多个所提出的多尺度残差密集模块来充分提取视图内特征,随后通过扩展后的多尺度交叉视差注意力模块对这些视图内特征进行立体对应搜寻、视图间额外信息交互,完成特征增强,使重建的超分辨图像细节更完整。消融实验和对比实验都表明该模型能获得与当前先进方法相当的性能,参数量比交叉视差注意力网络小一个数量级,且整体性能更优。