三维视频以其广阔的观看自由度、沉浸式的视觉效果,极大地提升了人们的视觉体验,受到了工业界和学术界的广泛关注。然而,受限于信道带宽和深度相机的采集性能,采集的深度图像比纹理图像的分辨率低,严重影响了三维视频的重建质量,降低了用户的观看体验。在三维视频采集过程中,高分辨率的纹理图像更易获得,且与同一场景中的深度图像具有边缘相似性。因此,本文拟利用纹理图像的边缘信息,开展深度图像超分辨率重建的相关工作。主要研究内容如下:（1）提出了基于纹理-深度变换的深度图像超分辨率算法。针对纹理图像和深度图像的边缘部分不一致造成的纹理噪声干扰问题,本文设计了纹理-深度变换模块,变换所提取的纹理特征,以匹配深度特征的空间结构信息。在此基础上,应用多尺度融合特征增强策略,充分利用不同尺度的边缘引导信息,重建高分辨率的深度图像。在测试数据集上,本文算法重建深度图像的均方根误差值比现有的深度图像超分辨率算法降低了0.20（2倍）、0.27（4倍）和0.20（8倍）以上。（2）提出了基于分级特征反馈融合的深度图像超分辨率算法。针对纹理特征与深度特征在融合时未能有效利用多尺度特征间的关联性导致空间结构信息丢失的问题,本文构建了分级特征反馈融合网络,利用并行金字塔结构挖掘纹理-深度在不同尺度下的边缘特征,构建纹理-深度的分层特征表示。在此基础上,应用分级特征的反馈式融合策略,综合利用不同尺度下的结构信息,生成边缘引导图像,指引深度图像的超分辨率重建。实验结果表明,与对比算法相比,该算法实现了深度图像的主、客观重建质量的提升。（3）提出了基于结构一致的无监督深度图像超分辨率算法。现实场景中难以采集高分辨率的深度图像,大部分超分辨算法采用合成的深度图像来构造训练集,不符合实际应用的需求。本文提出了无监督深度图像超分辨率算法,利用纹理图像与深度图像的结构相似性,挖掘纹理图像与深度图像一致的边缘结构信息,并以此为依据约束深度图像的超分辨率重建过程。在此基础上,采用构建训练伪对的方法,构造深度图像超分辨率的训练集,实现超分辨率网络的无监督训练。实验结果验证了所提算法的有效性。