立体匹配是计算机视觉领域的重点研究方向,它的核心思想是获取同一物体在不同视角下的两幅图像的深度信息,所得的深度信息被广泛应用于三维重建、机器人导航和视频监控等众多任务。由于采用立体匹配获取深度信息具有高可靠性和低成本的优势,因此,通常将它作为获取深度信息的重要方式。然而,为获得更高匹配精度和计算效率,立体匹配算法仍需面临诸多不利因素如光照变化、曝光过度或曝光不足、深度不连续、弱纹理区域以及遮挡的影响,为解决此类问题,本文结合稀疏表示和反卷积网络,设计了几种有效的立体匹配算法,主要研究工作如下:1.提出了一种基于稀疏表示的无监督立体匹配代价,该立体匹配代价可以不依赖于地面真实视差图,且具有较好的鲁棒性。由于监督型立体匹配代价需要从带有地面真实视差图的公共数据集中学习模型参数,特别是基于深度学习的监督型立体匹配代价在训练过程中需要大量带有地面真实视差图的训练样本,而获取地面真实视差图是很困难的,原因是地面真实视差图采集成本高（需要大量的人力和昂贵的仪器资源）以及手工制作的地面真实视差图容易出现像素级标注错误。因此,本文设计了一种最低限度依赖于地面真实视差图的无监督立体匹配代价。另外,立体图像易受光照变化、曝光过度或曝光不足等外界因素的影响,为降低这些影响,提出了基于稀疏表示的无监督立体匹配代价,该立体匹配代价具有较好的鲁棒性。为提高求解稀疏表示系数的计算效率,提出一种并行方法,并分析验证了其具有较低的计算复杂度。实验结果表明,所提方法在不依赖于地面真实视差图的情况下可以获得较高的匹配精度,且不易受光照变化、曝光过度或曝光不足等外界因素的影响。2.构建了基于双分支卷积稀疏表示的无监督立体匹配代价,该方法能够减少卷积核的冗余,从而提高计算效率。为了降低卷积稀疏表示的计算复杂度,本文提出了一种新颖的双分支卷积稀疏表示模型,该模型可以用较少的卷积核有效地刻画立体图像对的几何特征。为求解双分支卷积稀疏表示模型,设计了一种有效的迭代算法,并分析了该算法具有较好的收敛性及较低的计算复杂度。最后利用双分支卷积稀疏表示模型构建了一种无监督立体匹配代价。实验结果表明,基于双分支卷积稀疏表示的无监督立体匹配代价在提高计算效率的同时也获得了较高的匹配精度。3.设计了一种基于双分支反卷积网络的立体匹配算法,它可以捕获深层特征,提高了匹配精度,且降低了反卷积网络的计算复杂度。为求解双分支反卷积网络（two-branch deconvolutional network,TBDN）模型,构建了一种迭代算法并给出了相关收敛性分析和计算复杂度分析以确保有效性。基于该模型,构建了一种视差估计网络（disparity estimation network,DEN）结构,该网络的初始权值由双分支反卷积网络训练得到。实验结果表明,所提方法能够提高计算效率,并且该方法的匹配精度高于其它同类方法的匹配精度。