目前,国内外自动驾驶领域不断发展,特斯拉和蔚来等车企掀起了一场智能汽车的革命。研究如何提高汽车的智能感知能力成为了科研院所与公司研究的重要方向之一。利用双目视觉进行定位是环境感知技术中的主流方向之一,然而在双目定位的过程中仍然存在众多尚未解决的问题,如相机的快速标定、传统算法无法适用于复杂的道路环境、现有神经网络模型参数量过大且不适用于室内测距等。针对以上问题,本文就如何提高双目相机标定过程的速度与精度;在保证视差网络精度的情况下,降低模型的参数量;将标准数据集训练的视差网络应用于室内进行测距等问题,提出了新的思路和算法。实验结果表明本文提出的并行标定算法在保证精度的同时,比传统算法提升了23.5%的标定速度,本文提出的VHNet模型相较于PSMNet模型,压缩了46.6%的模型体积,同时提升了计算速度与精度,适用于室内外场景测距。本文所做的主要工作如下:（1）为了提升双目标定的精度和速度,提出了一种基于亚像素的并行标定算法。通过选取最佳标定图像数量,同时采用一种并行标定的方式,使得算法的标定速度提升了23.5%,重投影误差为0.858pix,达到了亚像素的精度。（2）为了保证视差网络精度的同时减少模型参数量,提出了一种基于PSMNet优化的网络模型——VHNet,该模型采用一种新颖的特征残差网络获取图像的特征,同时采用SPP网络结构、构建成本体积与3D金字塔的方式训练网络模型。实验结果显示VHNet的整体性能相较于PSMNet均有提升,模型参数量减少了46.6%,运行效率提升了0.33%,3像素误差减少了7%。（3）为了验证本文算法适用于室内外测距,搭建了一组室内环境进行测试。实验结果表明本文算法能够适用于室内外场景测距,同时研究了测距精度与相机焦点平面的关系。本课题依托中兴通讯股份有限公司委托研究项目——“自动驾驶中视觉定位关键技术及知识产权布局”。