双目立体匹配是模拟人类视觉获取深度的技术,广泛应用于路径规划、光学测量和即时定位与地图构建等领域。相比于传统方法,基于深度学习的双目立体匹配技术具有特征鲁棒性好、视差结果稠密等特点,但面临高反光物体引起的过曝现象时,仍存在误匹配问题。同时,相关数据集的缺乏限制了过曝场景下相关技术的研究。镜面反射引起的过曝现象会导致双目图像的匹配特征消失,引起误匹配导致视差估计精度降低。因此,本文从修复过曝区域丢失特征的角度出发,基于深度学习技术,结合数据渲染和图像修复理论,对过曝场景下的双目立体匹配技术开展研究,具体研究内容如下:针对过曝场景视差标注困难和公开数据集缺乏过曝场景的问题,构建了过曝场景数据集。研究了一种基于三维软件Blender标注过曝场景视差的方法,建立了双目相机深度视差转换的模型,构建了过曝场景下视差数据900例。最后通过图像重构验证了数据标注的正确性,为过曝场景双目立体匹配的精度评估和模型预训练提供了数据支持。针对过曝现象导致匹配特征消失引起的误匹配问题,提出了利用双目信息冗余性修复丢失特征的思路,构建了一种基于权重和特征共享的多特征提取模型。该模型基于视差注意机制和图像修复模块,从来自模型不同深度和路径的多个语义特征中提取冗余信息,重构双目特征,解决了卷积神经网络获取中长距离匹配关系困难的问题,实现了多特征融合,改善了过曝区域的视差预测精度。针对过曝场景整体预测精度较低的问题,一方面提出了一种基于特征相关性构建匹配代价空间的方法,提高了模型度量特征匹配度的能力;另一方面建立了视差估计和图像修复的多任务模型,从网络结构和目标函数两个方面联合优化网络。最终实现了过曝场景整体视差预测精度的提高。实验结果表明,本文提出的模型同PSMNet、GANet、AANet等近年主流深度学习模型相比,可将过曝场景下视差估计平均像素误差由10.17（±0.65）像素降低至5.83像素,精度提升约40%。本文研究成果已应用于“高铁列车双目视差估计项目”的生产环境中,同现有方法相比,本文提出的模型可显著改善列车高反光部件的视差预测精度,为后续故障检测,定位与分析提供了准确的三维信息。