我们通过将经典的分层金字塔结构与深度学习相结合，实现光流的计算。该方法采用自粗到细的策略，在每一层金字塔上，利用当前的光流估计对图像对中的一幅图像进行形变（warping），并据此计算光流的更新。与以往在每一层金字塔上标准地最小化目标函数不同，我们为每一层训练一个深度网络来直接计算光流的更新。与近期提出的FlowNet方法不同，本方法中的网络无需处理大尺度运动——这些大运动由金字塔结构本身处理。这一设计带来了多个优势：首先，我们的空间金字塔网络（SPyNet）在模型参数量上比FlowNet小96%，结构也更为简洁，因而更加高效，更适合嵌入式应用场景；其次，由于在每一层金字塔上的光流变化较小（小于1像素），对形变后的图像对采用卷积方法是合适的；第三，与FlowNet不同，我们学习到的卷积核滤波器在形态上与经典的空间-时间滤波器相似，这为理解该方法及其改进方向提供了直观的启示。在多数标准基准测试中，我们的方法精度均优于FlowNet，表明将经典光流方法与深度学习相结合是一种具有前景的新方向。