立体匹配是计算机视觉研究领域的热门课题,也是立体视觉中最为关键和困难的一步。它的最终目标是得到匹配图像的视差图。立体匹配问题通常可表达为求全局能量的最小化问题,首先定义能量函数,之后通过遗传算法,动态规划,图割,置信度传播等优化方法,来求其最小值。在对立体匹配进行深入研究的基础上,本文的主要工作及研究内容如下:　　 1.对图像的预处理。寻求合适的方法滤除图像的噪声干扰,并且将原始图像进行灰度处理,使之适合于立体匹配的需要。　　 2.实现了基于动态规划法和基于图割法的立体匹配算法。对多幅图像的处理结果进行了分析比较,并总结了它们各自的优缺点。　　 3.提出将自适应遗传算法用于立体匹配。根据遗传算法的求解步骤,对遗传算法进行改进,包括对匹配点进行染色体的数值编码、适应度函数的构造、初始种群的生成、遗传操作等,并采用自适应的交叉概率和变异概率,使得算法更容易收敛于最优值。实验结果表明,与传统遗传算法及目前流行的动态规划等相比,匹配效果更好。　　 4.对基于置信度传播算法的立体匹配进行改进,将Rank变换作用于图像,并基于SAD相似性测度构造了全局能量函数的数据项,同时对全局能量函数的平滑项进行改进,采用更平滑的约束函数代替传统的相邻像素间视差的差值函数。最后,采用金字塔式的置信度传播策略用于像素间的信息传递。实验结果表明,改进算法比目前流行的置信度传播算法匹配精度更高。