人类感知的外部信息至少80%以上都是由视觉获得的，视觉是人类观察世界和认知世界的重要手段。随着科学技术的日益发展，人们尝试给计算机、机器人和其它智能机器赋予视觉功能，即像人一样用视觉系统来“看”这个世界，这样计算机视觉这门学科就产生了，并在无人机、机器人导航、三维重建等领域得到了广泛应用。计算机视觉主要分为四个步骤：图像获取、图像校正、立体匹配和三维重建。其中，立体匹配的目的是在两个或多个对应同一场景的图像中找到匹配点，生成视差图。视差图可以通过一些简单的几何关系转换成深度图，用于三维重建。立体匹配是计算机视觉领域一个瓶颈问题，其结果的好坏直接影响着三维重建的效果。近些年，许多学者都在研究立体匹配问题，提出了许多算法，主要分为特征匹配算法和区域匹配算法。特征匹配算法主要是提取图像特征进行匹配，生成视差图。由于只提取局部特征，因此特征匹配算法速度快，但是得到的都是稀疏的视差图，而稀疏的视差图在很多应用中都不适用。区域匹配算法依据是否使用全局搜索可以分为全局匹配算法和局部匹配算法。全局匹配算法是基于像素的，通常将匹配运算构建在一个能量最小化的框架下，然后使用优化算法来最小化或最大化能量函数，得到视差图。比较经典的全局匹配算法有：置信度传播算法（belief propagation）、图割算法（graph cut）等。全局匹配算法得到的视差图较为准确，但运行时间长。局部匹配算法将像素代价聚集在一个支持窗中，然后选择与其相匹配的支持窗。然而，在这个过程中，选择合适的支持窗是一个困难的问题。2006年Yoon提出了自适应权值算法，固定支持窗的大小，赋予支持窗中每个像素不同的权值。Yoon算法的性能超过了一般的局部算法，甚至可以和全局算法相媲美，因此得到了很多的关注。本论文主要针对全局匹配算法中的置信度传播算法和局部匹配算法中的自适应权值算法做研究，目的是提高视差图的准确度、缩短算法时间及处理遮挡问题等。本论文的主要工作及创新点如下：（1）基于置信度传播的立体匹配算法作为一个全局算法，能得到质量较好的视差图，但需要耗费大量的时间。为了提高置信度传播算法的效率，提出了一个基于运动估计的立体视频匹配算法。该算法首先通过传统的置信度传播算法获得I帧的视差图；然后，对于P帧，通过参考I帧的运动估计信息，得到重新排列的I帧视差值的传递信息，将其作为P帧置信度传播算法的初值进行迭代运算，从而大大减少了P帧置信度传播算法的迭代次数。实验结果表明，该算法能够大大提高置信度传播算法应用在立体视频上的匹配效率。（2）置信度传播算法通常在灰度空间中进行计算，这会造成图像信息缺失，使得到的视差图不准确。为了提高视差图的性能，提出了RGB矢量空间，并在RGB矢量空间中用置信度传播算法对图像对进行立体匹配运算。实验证明了该方法的有效性。（3）Yoon2006年提出了自适应权值立体匹配算法，这种算法作为一个局部算法，得到能和全局算法相媲美的视差图，因此近些年来受到了学者们的关注。但是自适应权值算法得到的视差图仍不是很完美，为了提高视差图的质量，本文在Yoon算法上增添了图像梯度信息，使得像素的特征更加明显，降低了匹配模糊性。然后，根据梯度信息，RGB颜色信息和距离来计算权值和匹配代价。实验结果表明，基于图像梯度信息的自适应权值算法比Yoon算法匹配的结果更加准确。（4）遮挡是立体匹配中面临的大问题之一，遮挡是指匹配图像对中，一个图像的像素在另一个图像中找不到对应匹配点，导致最终出现匹配错误。为了提高视差图质量，减少遮挡区域，将双目立体视觉扩到三目立体视觉，提出了基于RGB矢量空间的三目立体匹配方法，并以自适应权值算法为例，将基于图像梯度信息的自适应权值算法扩展到三个视点进行实验。实验结果表明，三目算法不仅提高了遮挡区的匹配正确率，同时，由于匹配过程中增加了对偶运算，使得非遮挡区的匹配正确率也有所提高。